Previous slide Next slide Toggle fullscreen Toggle overview view Open presenter view
UD03: Procesamiento del Lenguaje Natural
Modelos de Inteligencia Artificial
version: 2026-08-24
Modelos de Inteligencia Artificial 26-27 (UD03_1)
¿Qué veremos?
Qué es el PLN
El potencial, con cifras
La ambigüedad
Desambiguación y POS tagging
Las demás limitaciones
Cuándo es factible: la lupa del AI Act
Quién hace un proyecto de PLN
Las herramientas en Python
Construir un sistema orientado a una tarea
Modelos de Inteligencia Artificial 26-27 (UD03_1)
RA3 y sus criterios de evaluación
RA3 — Relaciona el PLN con sus aplicaciones, su potencial y sus limitaciones.
CE
Criterio
Dónde
a Caracterizar el PLN
§1, §4
b Papel del lingüista
§7
c Potencial y limitaciones
§2-5
d Cuándo es factible
§6
e Trabajo cooperativo
§7
f Formación del investigador
§7
g Elaborar un sistema
§8-9
Siete criterios : los más de todo el módulo.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Al terminar la unidad serás capaz de…
Explicar qué es el PLN y situarlo entre lingüística e informática.Distinguir los seis tipos de ambigüedad en frases reales.Explicar cómo el etiquetado POS desambigua, y qué cuesta elegir el conjunto de etiquetas.Determinar cuándo es factible aplicar PLN, con el AI Act.Justificar el papel del lingüista y evaluar la cooperación con informáticos.Usar nltk y spaCy para tareas básicas en español.Construir y evaluar un sistema de PLN orientado a una tarea.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
1. Qué es el PLN
RA3-a
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Tres disciplinas, un campo
Disciplina
Qué aporta
Lingüística computacional Modelos del lenguaje: morfología, sintaxis, semántica
Estadística y ML Aprender patrones de los textos
Aprendizaje profundo Representaciones del lenguaje (transformers )
No es magia : se procesa estadísticamente , no se «entiende» como una persona.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Los niveles del lenguaje
Nivel
Analiza
Tarea de PLN
Fonética/fonología Sonidos
ASR, TTS
Morfología Estructura de palabras
Stemming , lematización, POS
Sintaxis Estructura de oraciones
Análisis sintáctico
Semántica Significado
Desambiguación, entidades
Pragmática Según contexto
Correferencia, sentimiento
Hay ambigüedad en todos los niveles: es el mapa del bloque 3.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Las tareas del PLN
Tarea
Ejemplo
Tokenización
«Hola mundo» → [«Hola», «mundo»]
Etiquetado POS
«correr» → verbo
Entidades (NER)
«María vive en Madrid» → PER, LOC
Sentimiento
«¡Genial!» → positivo
Traducción, resumen, generación
—
Respuesta a preguntas
Asistentes, buscadores
Modelos de Inteligencia Artificial 26-27 (UD03_1)
El pipeline , siempre igual
Texto ──► Preprocesado ──► Representación ──► Modelo ──► Salida
tokenizar, BoW, tf-idf, ML o red clasificación,
minúsculas, embeddings profunda entidades...
stopwords
El corrector, el buscador y el asistente de voz son los mismos cuatro pasos.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
2. El potencial
RA3-c
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Qué se consigue hoy
Aplicación
Estado
Buscadores, asistentes de voz
Entienden, extraen entidades, responden
Traducción automática
Calidad funcional en tiempo real
Análisis de opinión
Miles de reseñas, automático
Extracción de información
Facturas y contratos, sin tocarlos a mano
Modelos generativos
Redactar, resumir, traducir
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Tres cifras para calibrar
SQuAD 2.0 : los mejores sistemas superan la precisión humana (EM ~91 frente a ~87).Sentimiento en IMDb: de ~89 % (2011) a 95-97 % con transformers .
Hugging Face: más de 2 millones de modelos , 500.000 datasets .
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Los modelos de uso general
El AI Act los define: ≥ 1.000 millones de parámetros , autosupervisión a gran escala, competentes en muchas tareas. Los LLM son el ejemplo típico.
Capacidades de gran impacto : cuando el cómputo del entrenamiento supera 10²⁵ FLOPS (art. 51.2) → documentación y evaluación adicionales. Se ve a fondo en la UD06.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
3. La ambigüedad
el problema de fondo
RA3-c
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Seis tipos
Tipo
Cuándo aparece
Sintáctica Más de un análisis gramatical posible
Léxica / morfológica Un término admite varias lecturas
Semántica Un elemento tiene varios sentidos
Pragmática Depende del contexto y de quién habla
Fonológica Una cadena de sonidos confunde
Funcional Doble función gramatical
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Los seis, con frases reales
Sintáctica — «Compro los libros baratos» : ¿los baratos, o libros que además son baratos?Léxica — «Usted aquí no pinta nada» : ¿mando, o pintar una pared?Semántica — «Pedro quiere pelearse con un italiano» : ¿cualquiera, o uno concreto?Pragmática — «Golpeó el armario con el bastón y lo rompió» : ¿qué se rompió?Fonológica — «es-conde» : ¿esconder, o «es» + «conde»?Funcional — «He vuelto a oler» : ¿recuperé el olfato, o regresé a oler algo?
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Un banco de frases para probar cualquier sistema
El cura recibió una cura en su habitación.
Antonio no nada nada.
No puedo ir a la fiesta porque no traje traje.
El Villarreal le ganó al Valencia en su campo.
Me quedé esperándote en el banco.
Casi todas se resuelven con el contexto , no con la frase.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
No se arregla: se decide
La ambigüedad no es un error del lenguaje: es una propiedad, y además útil.
Forma ≠ significado (Bender y Koller): un modelo entrenado solo con la forma no tiene forma a priori de aprender el significado. Aprende correlaciones, no comprensión.
Por eso un modelo generativo puede sonar impecable y estar equivocado.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
4. Desambiguación y POS
RA3-a, RA3-c
Modelos de Inteligencia Artificial 26-27 (UD03_1)
El mismo «sobre», tres categorías
«Mételo en ese sobre » → nombre «Déjalo sobre la mesa» → preposición «Dame lo que te sobre » → verbo
Ningún diccionario resuelve esto: hace falta el contexto . Es el primer paso de casi todo lo demás.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Más etiquetas = más información y más difícil acertar .
Tagset Etiquetas
Penn Treebank
45
Brown Corpus
87
LexEsp (PAROLE)
~250
Susanne
350
Categorías abiertas (nombres, verbos) admiten palabras nuevas; cerradas (preposiciones), no.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Por qué esto es del lingüista
Decidir el tagset y escribir la guía de anotación no es programación : es lingüística aplicada, y condiciona todo lo que el modelo puede aprender después.
Es el ejemplo más concreto del RA3-b .
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Cómo se etiqueta
Enfoque
Cómo
Dónde
Reglas A mano, sobre el contexto
Dominios muy acotados
HMM / TnT Probabilidad de una secuencia
cess_esp con nltk
Neuronal Con el contexto completo
spaCy, transformers
Modelos de Inteligencia Artificial 26-27 (UD03_1)
5. Las demás limitaciones
RA3-c
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Falta de comprensión real
Los modelos generan sin comprender : no verifican hechos, no razonan, pueden alucinar — inventar datos con total seguridad.
En cualquier tarea con consecuencias, la salida se verifica .
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Sesgos
Sesgo de género en embeddings : «médico → hombre», «enfermera → mujer».
Sesgos raciales y culturales en los datos de entrenamiento.
El AI Act: pueden perpetuarse y amplificarse en bucles de retroalimentación.
Prohibido : inferir emociones en el trabajo y en centros educativos — base científica débil, uso discriminatorio.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Lenguas con pocos recursos, e ironía
Casi todo se entrena en inglés . En lenguas minoritarias, lo estadístico clásico puede
«¡Qué buena idea, se me ha caído el móvil al agua!» : literalmente positivo, pragmáticamente
Modelos de Inteligencia Artificial 26-27 (UD03_1)
6. Cuándo es factible
la lupa del AI Act
RA3-d
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Cinco criterios
Criterio
Pregunta guía
Tarea clara y acotada
¿Qué salida exacta quiero?
Datos disponibles
¿Hay textos suficientes y anotados?
Dominio conocido
¿Vocabulario acotado?
Calidad realista
¿Acepto un 5-10 % de error?
Regulación
¿Lo prohíbe o restringe el AI Act?
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Factible y no factible
Factible hoy
Prohibido o no factible
Clasificar documentos, detectar duplicados
Inferir emociones en trabajo o educación
Mejorar el registro de un texto
Extracción no selectiva de rostros
Traducción funcional
Manipulación subliminal
Análisis de sentimiento acotado
Alto riesgo sin verificación
Considerando 53 (bajo riesgo) + artículo 5 (prohibiciones) = lista de comprobación antes de construir.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
7. Quién hace un proyecto de PLN
RA3-b, RA3-e, RA3-f
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Qué aporta el lingüista
Aportación
Ejemplo
Anotar datos
Etiquetar entidades, sentimiento
Diseñar el tagset y la guía
El compromiso del bloque 4
Recursos lingüísticos
Corpus y treebanks
Evaluar errores
Por qué falla el modelo
Las anotaciones deciden las predicciones. No se arregla con más datos.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Cooperación: dos casos reales
Meta NLLB (200 idiomas): hablantes nativos anotaron y evaluaron → +44 % de BLEU .Masakhane (PLN africano): 1.000+ participantes, 30 países. Los lingüistas locales soninvestigadores , no «solo anotadores». Rechazan la investigación paracaidista .
Se gana
Cuesta
Datos y evaluación mejores
Vocabularios distintos
Cobertura de lenguas minoritarias
Anotación lenta y cara
Mejor ciencia
Riesgo de explotar comunidades
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Tres patas : lingüística · estadística y ML · informática.
Itinerario : Jurafsky y Martin → NLTK → spaCy → transformers .
Perfiles nuevos : anotador especializado, prompt engineer , evaluador de sesgos. Todos parten de la misma base.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Cómo se evalúan estos tres criterios
No con un examen aparte : con la parte escrita de EX2 y EX5.
Se pide justificar qué decisiones tomaría un lingüista, qué aporta cada perfil y qué formación haría falta. Está en la rúbrica, y cuenta.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
8. Las herramientas
en Python
RA3-c, RA3-g
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Dos entornos
Contenedor de la unidad : nltk, spaCy, scikit-learn. Todo lo que no entrena redes grandes.Colab : transformers, entrenamiento, audio. Ahí hay GPU.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
NLTK, para entender
Transparente: cada paso, a mano.
tokens = word_tokenize(texto, language='spanish' )
sin_vacias = [t for t in tokens if t.lower() not in stopwords.words('spanish' )]
stem = SnowballStemmer('spanish' ).stem
Pipeline : tokenizar → limpiar stopwords → normalizar (stemming o lematización) → enriquecer (POS, entidades, frecuencias).
Modelos de Inteligencia Artificial 26-27 (UD03_1)
spaCy, para producir
Un objeto nlp, todo el pipeline de una pasada:
Texto → Tokenizador → POS → Dependencias → Entidades → Lematizador
En una frase corriente, el analizador puede encontrar miles de análisis posibles : spaCy elige el más probable. La ambigüedad no se elimina, se decide .
NLTK para aprender, spaCy para producir.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
scikit-learn (tf-idf + regresión logística): funciona en español, sin GPU. Cuidado:stop_words solo acepta 'english' — para español, una lista .DistilBERT : 40 % menos parámetros, 60 % más rápido, 97 % de la capacidad de BERT. El modelo
Modelos de Inteligencia Artificial 26-27 (UD03_1)
9. Construir un sistema
orientado a una tarea
RA3-g
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Seis pasos
1. Definir la tarea → 2. Datos y licencia → 3. Elegir herramienta
↓
6. Documentar ← 5. Evaluar y analizar errores ← 4. Implementar
El paso que más se salta es el 5 : mirar los errores, no solo la métrica.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
La progresión de los notebooks
Notebook
Construye
Representación
N01Tokenizar, BoW, tf-idf
Cuenta de palabras
N02Clasificador con PyTorch
Word embeddings
N03Afinar DistilBERT
Embeddings contextuales
N04Pipeline de spaCyModelo preentrenado
Y los cinco entregables aplican cada nivel a un problema propio: EX1 representación · EX2 clasificador · EX3 anotación · EX4 transfer learning · EX5 asistente de punta a punta.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Ejemplo guiado: clasificador de reseñas
1 clasificar positiva/negativa · 2 60 reseñas anotadas · 3 tf-idf, no transformer · 4 TfidfVectorizer → LogisticRegression · 5 exactitud + leer 2 errores · 6 documentar origen y límites.
La herramienta se elige por los datos que hay , no por lo moderna que sea.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Cierre
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Puntos clave (I)
El PLN combina lingüística, estadística y aprendizaje profundo para que las máquinas comprendan
El potencial es alto y medible: SQuAD supera al humano, sentimiento al 95-97 %.
La ambigüedad tiene seis formas y no se elimina: se decide con el contexto.
El POS tagging desambigua categorías; el tagset es un compromiso información/dificultad.
Sesgos, falta de comprensión, lenguas con pocos recursos e ironía son limitaciones reales.
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Puntos clave (II)
El AI Act es una herramienta de diseño: bajo riesgo (considerando 53) y prohibiciones
El lingüista diseña el tagset y anota; las anotaciones deciden las predicciones .
La cooperación se evalúa: NLLB y Masakhane frente a la investigación paracaidista.
NLTK para aprender, spaCy para producir ; la herramienta se elige por los datos que hay.Construir un sistema son seis pasos , y el que más se salta es mirar los errores .
Modelos de Inteligencia Artificial 26-27 (UD03_1)
Cómo se evalúa
Peso
Instrumento
40 % Media de los cinco entregables (EX1-EX5)
60 % Prueba del RA3: test y desarrollo sobre el contenido de la unidad
EX2 y EX5 llevan una parte escrita que cubre RA3-b, RA3-e y RA3-f. Cuenta.
La normativa exige alcanzar todos los RA; el centro lo concreta en ≥ 5 en cada uno .
Modelos de Inteligencia Artificial 26-27 (UD03_1)
¿Y ahora?
El lenguaje es la interfaz más natural entre personas y máquinas — y la más ambigua.
A construir un sistema que la resuelva.
El anexo I del RD 279/2021 solo asigna a este bloque dos contenidos oficiales (potencial y limitaciones; aplicaciones) para siete criterios: es el desajuste más grande de todo el módulo. Los CE sobre el papel del lingüista, la cooperación y la formación del investigador no tienen contenido propio en el currículo: los desarrolla el centro.
ASR es el reconocimiento automático del habla y TTS la síntesis de voz (texto a voz): son las tareas típicas del nivel fonético y fonológico.
NER son las siglas de reconocimiento de entidades nombradas. Además de PER (persona) y LOC (lugar), el conjunto habitual de etiquetas añade ORG (organización) y MISC (miscelánea).
OCR es el reconocimiento óptico de caracteres: el paso que convierte la imagen del documento en texto, antes de aplicar NER para extraer los campos de facturas y contratos.
El AI Act es, formalmente, el Reglamento (UE) 2024/1689 del Parlamento Europeo.
Emily Bender y Alexander Koller publicaron esta idea en el artículo de 2020 Climbing towards NLU.
Penn Treebank es el tagset de referencia en inglés; LexEsp (PAROLE) es el tagset de referencia en español.
HMM son las siglas de Hidden Markov Model, modelo oculto de Markov: la técnica estadística clásica de etiquetado, anterior a los modelos neuronales.
Los modelos neuronales solo dan buenos resultados a partir de decenas de miles de tokens de entrenamiento; por debajo de esa cantidad, las técnicas estadísticas clásicas pueden superarlos.
El considerando 53 también incluye como bajo riesgo estructurar datos no organizados y buscar y vincular datos en archivos; y el artículo 5 añade a los no factibles la detección de sarcasmo con alta precisión.
NLLB son las siglas de No Language Left Behind, el proyecto de traducción de Meta. BLEU es la métrica estándar para medir la calidad de una traducción automática.
El libro de Jurafsky y Martin se titula Speech and Language Processing: es la referencia clásica del campo, y de acceso libre en internet.
El contenedor de la unidad incluye además gensim y textblob, también porque ninguno entrena redes grandes.
NLTK es una plataforma pensada para la enseñanza y la investigación, con más de 50 corpus y recursos léxicos incluidos.
BERT es un modelo de lenguaje bidireccional: analiza el contexto a ambos lados de cada palabra. DistilBERT es su versión reducida, pensada para funcionar en CPU en vez de GPU.
Hay un quinto notebook, N05, con POS tagging sobre el corpus cess_esp y validación cruzada; se corresponde con el entregable EX3 de anotación.
Los dos errores que se leen en el paso 5 casi siempre resultan ser de ironía o de una negación mal interpretada: es el patrón que se repite en la mayoría de proyectos pequeños.
La exigencia de superar todos los RA viene del artículo 5.1 de la Orden 8/2025 y de las Instrucciones 26 y 27, que impiden calificar positivamente un módulo con algún RA no superado.