Mejorando la Automatización de Flujos de Trabajo con Recomendaciones de Acción

Las plataformas de automatización ayudan a los usuarios a automatizar tareas repetitivas usando flujos de trabajo. Un flujo de trabajo comienza con un desencadenante que activa una serie de acciones. Por ejemplo, cuando llega un correo electrónico, el flujo puede guardar el archivo adjunto en un servicio de almacenamiento en la nube y registrar el asunto del correo en una hoja de cálculo.

Aunque estas plataformas, como Microsoft Power Automate, Zapier e IFTTT, permiten a los usuarios crear flujos de trabajo sin necesidad de escribir código, el proceso puede ser complicado. A menudo, los usuarios tienen que revisar una larga lista de acciones para encontrar lo que necesitan, lo que ralentiza su trabajo. Este artículo explora maneras de hacer que este proceso sea más fácil sugiriendo acciones basadas en las Preferencias del usuario.

#El Desafío de Seleccionar Acciones

En la automatización de flujos de trabajo, seleccionar acciones puede ser tedioso, especialmente cuando hay miles de opciones disponibles. A medida que los usuarios construyen flujos más largos, el tiempo que pasan buscando las acciones correctas aumenta. Una solución común en entornos de codificación es usar recomendaciones. Por ejemplo, herramientas que sugieren fragmentos de código relevantes ayudan a los programadores a trabajar más rápido. Sin embargo, esta tecnología falta en las plataformas de automatización.

Nuestro objetivo es crear un sistema que recomiende la siguiente acción en un flujo de trabajo, haciendo que sea más eficiente para los usuarios desarrollar sus flujos. En lugar de tener que buscar la acción correcta en cada paso, los usuarios pueden recibir sugerencias personalizadas. Esto no solo acelera el proceso de creación de flujos, sino que también lo hace más agradable.

#Cómo Funciona el Sistema de Recomendación

Para sugerir acciones, desarrollamos un modelo que aprende del comportamiento y preferencias del usuario. Este modelo se basa en avances recientes en aprendizaje automático, específicamente utilizando un tipo de modelo conocido como transformador. A diferencia de los modelos tradicionales, nuestro sistema se enfoca en lo que un usuario ha hecho antes en lugar de solo el contexto actual. Esto significa que las sugerencias se basan más en la historia del usuario individual que en las acciones específicas que están realizando en ese momento.

Cuando un usuario crea flujos de trabajo, nuestro modelo observa las acciones que ha usado en el pasado. Al considerar la frecuencia de estas acciones y las conexiones entre ellas, el modelo crea una sugerencia personalizada para el siguiente paso en el flujo. Esto permite que los usuarios reciban recomendaciones relevantes sin tener que buscar en listas.

#Personalización en Acción

La personalización es clave en nuestro enfoque. Nuestro modelo construye un perfil para cada usuario que incluye las acciones que usan con frecuencia. Para los nuevos usuarios que aún no tienen un perfil, nos aseguramos de que todavía reciban buenas sugerencias proporcionando de vez en cuando un perfil neutral. Así, incluso si un usuario es nuevo en la plataforma, aún puede beneficiarse de recomendaciones bien fundamentadas.

Para probar la efectividad de nuestro modelo personalizado, usamos datos reales de usuarios de la plataforma Power Automate. Nuestros hallazgos mostraron que las sugerencias personalizadas mejoraron significativamente la precisión de las recomendaciones. De hecho, cuando se usó nuestro modelo, la mejor sugerencia fue correcta el 90% de las veces, y esto aumentó al 98% cuando ofrecimos múltiples sugerencias.

#Comparación de Enfoques

Para entender mejor la efectividad de nuestro modelo, lo comparamos con otros métodos de selección de acciones. Uno de estos métodos se basó en patrones estadísticos simples, que no tomaron en cuenta las preferencias del usuario. Nuestro modelo personalizado superó a esos modelos más simples por un margen significativo, lo que muestra la importancia de adaptar las recomendaciones a los hábitos de cada usuario.

También investigamos cómo se desempeñaron los nuevos usuarios al usar nuestro modelo. Los resultados indicaron que el rendimiento de nuestro sistema con nuevos usuarios fue consistente, lo que significa que incluso aquellos sin un historial previo aún podían beneficiarse de nuestro sistema de recomendaciones.

#Abordando Falsos Positivos

Otro desafío al que nos enfrentamos fue el problema de los falsos positivos en las recomendaciones de acciones. A veces, el modelo puede sugerir acciones que no son relevantes o útiles para el usuario. Para reducir este problema, estamos investigando maneras de limitar las recomendaciones solo a aquellas acciones de las que el modelo esté seguro. Al establecer un umbral para la probabilidad de una sugerencia, podemos filtrar recomendaciones menos ciertas, proporcionando a los usuarios solo las opciones más relevantes.

#Conclusión

En resumen, hemos desarrollado un modelo de recomendación de acciones personalizadas para plataformas de automatización de flujos de trabajo. Al aprender del comportamiento y preferencias del usuario, nuestro modelo ofrece sugerencias oportunas y relevantes que pueden mejorar mucho la experiencia del usuario. Nuestros experimentos demuestran que la personalización conduce a mejores recomendaciones, ayudando a los usuarios a crear flujos de trabajo de manera más eficiente y disfrutable.

El futuro de esta investigación se centrará en refinar aún más nuestro modelo, especialmente en términos de suprimir recomendaciones menos ciertas. Al asegurarnos de que los usuarios reciban las mejores sugerencias posibles, buscamos mejorar la eficiencia general de las plataformas de automatización de flujos de trabajo y hacerlas más amigables para todos. A medida que la automatización continúa creciendo en importancia, estos avances facilitarán que las personas automaticen sus tareas sin necesidad de tener conocimientos de codificación.