Glosario

Procesamiento del Lenguaje Natural (NLP)

Explore el Procesamiento del Lenguaje Natural (PLN), la tecnología que permite a los ordenadores comprender, interpretar y manipular el lenguaje humano. el lenguaje humano.

El Procesamiento del Lenguaje Natural (PLN) es una rama especializada de la Inteligencia Artificial (IA) y informática que se centra en la interacción entre ordenadores y seres humanos a través del lenguaje natural. El objetivo último del PLN es leer, descifrar, comprender y dar sentido a los lenguajes humanos de una manera que resulte valiosa. humano de una manera que resulte valiosa. Tiende un puente entre la comunicación humana y la comprensión informática, permite a los sistemas procesar grandes cantidades de texto no estructurado y datos de voz de forma eficiente. Desde chatbots a los servicios de traducción, la PNL impulsa muchas de las interacciones digitales que experimentamos a diario.

Cómo funciona la PNL

Los sistemas de PNL descomponen el lenguaje en fragmentos más breves y elementales para comprender las relaciones entre ellos y cómo funcionan juntas para crear significado. En este proceso intervienen varias etapas y tecnologías clave:

• Tokenización: El primer paso en mayoría de los procesos de PLN, en el que el texto en bruto se divide en unidades más pequeñas llamadas tokens (palabras, subpalabras o caracteres).
• Modelización estadística: Los primeros sistemas de PLN se basaban en reglas. aprendizaje automático (AM) para aprender grandes conjuntos de datos.
• Aprendizaje profundo (AD): Avanzado redes neuronales, en particular las redes neuronales recurrentes (RNN) y los Transformadores, han revolucionado el campo. La arquitectura arquitectura Transformer, presentada en el documento La atención es todo lo que necesitaspermite a los modelos manejar dependencias de largo alcance en el texto y es la base de los modernos modelos lingüísticos amplios (LLM) como GPT-4 y BERT.

Aplicaciones en el mundo real

La PNL forma parte integrante de muchas tecnologías modernas. He aquí dos ejemplos concretos de su aplicación:

1. Análisis del sentimiento en finanzas y Retail:Las empresas y las instituciones financieras utilizan NLP para medir la opinión pública mediante el análisis de texto de medios sociales, noticias y opiniones de clientes. Al clasificar el tono emocional del texto como positivo, negativo o neutro, las empresas pueden predecir las tendencias bursátiles o evaluar la reputación de una marca. Herramientas como la suite Stanford CoreNLP se utilizan a menudo para estas tareas.
2. Documentación clínica en En el ámbitomédico, la PNL extrae automáticamente información esencial de notas clínicas no estructuradas, como síntomas, diagnósticos y medicación del paciente. Esto automatiza los procesos de codificación (como CIE-10), mejora la predicción del riesgo del paciente y agiliza los flujos de trabajo administrativos. del paciente y agiliza los flujos de trabajo administrativos, como ponen de relieve investigaciones de organizaciones como los Institutos Nacionales de Salud (NIH).

PNL vs. Conceptos relacionados

Aunque la PNL es un campo amplio, a menudo se confunde con subcampos específicos o tecnologías relacionadas:

• Comprensión del Lenguaje Natural (NLU):La NLU es un subconjunto de la PNL centrado específicamente en la comprensión de lectura automática, es decir, en determinar el significado y la intención del texto. intención del texto. Mientras que la PNL incluye el procesamiento y la generación, la NLU se ocupa estrictamente de la la comprensión.
• Visión por ordenador (CV):la CV se centra en la interpretación de datos visuales (imágenes/vídeos), mientras que la PNL se centra en los datos lingüísticos. Sin embargo, estos campos convergen cada vez más en aplicaciones multimodales de IA, como el o la respuesta a preguntas visuales. Ultralytics se especializa en CV con modelos como YOLO11pero la integración efectiva del CV con la PLN (por ejemplo, a través de YOLO) permite la detección de vocabulario abierto mediante de texto.

Ejemplo de código: Reconocimiento de entidades con nombre

Una tarea habitual de la PNL es Reconocimiento de Entidades Nombradas (NER)que identifica y clasifica entidades clave en un texto. El siguiente ejemplo utiliza el popular spaCy biblioteca para extraer entidades, un flujo de trabajo comparable a cómo se podría utilizar ultralytics para la detección de objetos.

# Install spaCy: pip install spacy
# Download model: python -m spacy download en_core_web_sm
import spacy

# Load a pre-trained standard NLP model
nlp = spacy.load("en_core_web_sm")

# Process a text string containing entities
text = "Ultralytics launched YOLO11 in Madrid this year."
doc = nlp(text)

# Iterate over detected entities and print their label
for ent in doc.ents:
    print(f"Entity: '{ent.text}' | Label: {ent.label_}")
# Output: Entity: 'Ultralytics' | Label: ORG, Entity: 'YOLO11' | Label: PRODUCT, ...

Herramientas y recursos clave de la PNL

El desarrollo de aplicaciones de PNL requiere herramientas robustas. El sitio Python ofrece excelentes bibliotecas:

• spaCia: Diseñado para su uso en producción, ofrece modelos para muchos idiomas.
• NLTK (Conjunto de herramientas de lenguaje natural): Una plataforma líder para construir programas Python para trabajar con datos del lenguaje humano, ideal para la docencia y la investigación.
• PlataformaUltralytics : Aunque se centra en la visión, la plataforma la plataforma soporta el ciclo de vida de los modelos de IA y, con el auge de los modelos multimodales, facilita la gestión de sistemas complejos de IA.

Para profundizar en el modo en que la PNL y la visión por ordenador se están uniendo, lea nuestra guía sobre la unión de la PNL y la visión por ordenador.