Saltar a contenido

UD03 · Ejercicios

Cómo se trabajan

Resuélvelos en tu cuaderno o en un documento Markdown. No se entregan por separado: son la preparación de la prueba escrita del RA3 y de los talleres. Los entregables evaluables son los cuatro notebooks.

A. Qué es el PLN (RA3-a)

  1. Define PLN y di qué tres disciplinas combina, con la aportación de cada una.
  2. Explica por qué un traductor automático «no entiende» aunque acierte, y por qué esa distinción no es filosófica sino operativa.
  3. Relaciona cada nivel del lenguaje (fonología, morfología, sintaxis, semántica, pragmática) con una tarea de PLN.
  4. Describe el pipeline típico en cuatro pasos y pon un ejemplo de cada paso con la frase «El servicio fue excelente».
  5. Diferencia tokenización, etiquetado POS y reconocimiento de entidades con la frase «María trabaja en Madrid desde 2019».
  6. Explica qué hace un asistente de voz desde que oye tu orden hasta que responde, nombrando las tareas de PLN implicadas.
  7. Diferencia stemming y lematización, con un ejemplo en español, y di cuándo prefieres cada uno.

B. El potencial (RA3-c)

  1. Los sistemas superan la precisión humana en SQuAD 2.0. ¿Significa que «entienden» mejor que una persona? Justifica.
  2. El sentimiento en reseñas pasó de ~89 % a 95-97 %. ¿Qué cambió técnicamente para conseguirlo?
  3. Según el AI Act, ¿qué es un modelo de IA de uso general? Da los dos requisitos.
  4. ¿Qué umbral de cómputo hace presumir capacidades de gran impacto, y qué implica?
  5. Busca tres aplicaciones de PLN que uses cada semana sin darte cuenta y di qué tarea resuelve cada una.

C. La ambigüedad (RA3-c)

  1. Enumera los seis tipos de ambigüedad y da un ejemplo propio de cada uno, distinto de los de la teoría.

  2. Clasifica el tipo de ambigüedad de cada frase:

    Frase Tipo
    Vino de la Rioja
    Compré unos zapatos de piel de señora
    La policía observó al sospechoso con unos prismáticos
    El pescado está listo para comer
    Antonio no nada nada
    Me quedé esperándote en el banco

  3. «El Villarreal le ganó al Valencia en su campo.» ¿Qué es exactamente lo ambiguo, y qué información resolvería la duda?

  4. Explica por qué la ambigüedad no se puede eliminar y qué hace en su lugar un sistema de PLN.
  5. ¿Qué es una ventaja de la ambigüedad para las personas? Da un caso donde nos resulte útil.
  6. Resume el argumento de Bender y Koller sobre forma y significado, y qué predice sobre los errores de un modelo generativo.
  7. Un modelo responde a una pregunta con un dato falso, redactado con total seguridad. ¿Es un fallo de ambigüedad, de comprensión o de datos? Justifica.

D. Desambiguación y POS (RA3-a, RA3-c)

  1. Define POS tagging y explica por qué una palabra aislada suele ser ambigua respecto a su categoría.
  2. Etiqueta la categoría de sobre en las tres frases del ejemplo de la teoría, y explica qué información usas en cada caso.
  3. Explica el compromiso al elegir el tagset. ¿Qué se gana y qué se pierde al pasar de 45 a 250 etiquetas?
  4. Ordena por número de etiquetas: Penn Treebank, Brown, LexEsp (PAROLE), Susanne. ¿Cuál usarías para un buscador simple y cuál para un análisis morfológico del español?
  5. Diferencia categorías abiertas y cerradas, con dos ejemplos de cada una. ¿Por qué la distinción importa al etiquetar?
  6. Compara los tres enfoques de etiquetado (reglas, HMM/TnT, neuronal) en precisión, datos necesarios y transparencia.
  7. ¿Por qué decidir el tagset y escribir la guía de anotación no es una tarea de programación?

E. Las otras limitaciones (RA3-c)

  1. Explica el sesgo de género en los embeddings con un ejemplo, y por qué no basta con quitar la variable para eliminarlo.
  2. ¿Qué advierte el AI Act sobre los bucles de retroalimentación y los sesgos?
  3. El AI Act prohíbe inferir emociones en dos contextos. ¿Cuáles, y con qué dos argumentos?
  4. ¿Por qué en una lengua con pocos recursos una técnica estadística clásica puede ganar a una neuronal?
  5. «¡Qué buena idea, se me ha caído el móvil al agua!» Explica por qué falla un clasificador de sentimiento y de qué tipo de ambigüedad se trata.

F. Cuándo es factible (RA3-d)

  1. Enumera los cinco criterios de factibilidad y formula la pregunta guía de cada uno.

  2. Para cada caso, di si es factible hoy, no factible o prohibido, justificando:

    Caso Veredicto
    Clasificar automáticamente los correos de soporte por tema
    Detectar el estado de ánimo de los alumnos por sus mensajes
    Extraer importes y fechas de 5.000 facturas
    Resumir informes médicos para el diagnóstico, sin revisión
    Traducir la documentación interna de una empresa
    Detectar ironía en reseñas con un 95 % de acierto

  3. Tienes 200 correos anotados de un dominio muy concreto. ¿Elegirías tf-idf o afinar un transformer? Justifica con los criterios del §9.1.

  4. Usa el considerando 53 y el artículo 5 del AI Act para decidir si construirías un sistema que clasifica currículos por idoneidad.
  5. Un cliente quiere un chatbot que responda consultas legales «sin supervisión». ¿Qué le responderías, y con qué criterio?

G. El papel del lingüista (RA3-b)

  1. Enumera cinco aportaciones del lingüista a un proyecto de PLN y pon un ejemplo concreto de cada una.
  2. Explica la frase «las anotaciones deciden las predicciones» y por qué el problema no se arregla con más datos.
  3. Dos anotadores etiquetan el mismo corpus y coinciden en el 70 % de los casos. ¿Qué problema hay y qué harías antes de entrenar nada?
  4. ¿Por qué construir un treebank puede llevar años? ¿Qué se obtiene a cambio?
  5. Un modelo preentrenado falla en los textos de tu empresa. Describe qué haría un lingüista para averiguar por qué.
  6. Relaciona el §7.2 (elegir el tagset) con el papel del lingüista: ¿por qué esa decisión fija el techo de precisión del sistema?

H. El trabajo cooperativo (RA3-e)

  1. Explica qué hizo Meta NLLB con los hablantes nativos y qué consiguió, con la cifra.
  2. ¿Qué es la investigación paracaidista y por qué Masakhane la rechaza explícitamente?
  3. Completa la tabla con dos ventajas y dos costes del trabajo cooperativo entre lingüistas e informáticos.
  4. El CE dice «evaluar» el trabajo cooperativo, no describirlo. Propón tres criterios para juzgar si una colaboración se ha hecho bien o mal.
  5. Una empresa contrata anotadores en un país con salarios bajos, publica el modelo y no deja formación ni datos en el país. ¿Es cooperación? Argumenta las dos posturas.
  6. Además de lingüistas e informáticos, ¿qué otros perfiles pueden hacer falta? Pon un proyecto donde cada uno sea imprescindible.

I. La formación del investigador (RA3-f)

  1. Describe las tres patas de la formación en PLN y qué aporta cada una.
  2. Ordena el itinerario de lectura recomendado y justifica por qué ese orden y no otro.
  3. ¿Qué formación necesita un anotador especializado en textos médicos que no necesita uno generalista?
  4. Los perfiles de prompt engineer y evaluador de sesgos no existían hace unos años. ¿Qué base comparten con el lingüista computacional clásico?
  5. Un titulado en informática sin formación lingüística entra en un proyecto de PLN. ¿Qué le va a costar más, y qué leería primero?

J. Las herramientas (RA3-c, RA3-g)

  1. Escribe el código con nltk que tokenice una frase en español, quite las stopwords y aplique stemming.
  2. Escribe el código con spaCy que muestre, para cada token, su texto, categoría y lema, y luego las entidades.
  3. ¿Por qué NLTK para aprender y spaCy para producir? Da dos razones técnicas.
  4. Explica el error de escribir TfidfVectorizer(stop_words='spanish') y cómo se hace bien.
  5. ¿Qué es DistilBERT y por qué es el modelo elegido en esta unidad? Da las tres cifras.
  6. Di qué notebooks de la unidad van en el contenedor y cuáles en Colab, y por qué.
  7. ¿Qué diferencia hay entre usar un pipeline de transformers ya hecho y afinar el modelo?

K. Construir un sistema (RA3-g)

  1. Enumera los seis pasos de la metodología y di qué se decide en cada uno.
  2. ¿Por qué el paso de analizar los errores es el que más se salta, y qué se pierde al saltarlo?
  3. En el ejemplo guiado se elige tf-idf con 60 reseñas en vez de un transformer. Justifica esa decisión.
  4. Diseña en seis pasos un sistema que clasifique los correos de una FAQ por tema. Indica datos, herramienta y cómo lo evaluarías.
  5. Tu clasificador da un 92 % de exactitud, pero al leer los errores ves que todos son reseñas irónicas. ¿Qué harías: más datos, otro modelo o cambiar la tarea? Justifica.
  6. ¿Por qué hay que documentar el origen y la licencia de los datos? Relaciónalo con la UD06.
  7. Explica la progresión de los cinco notebooks guiados: qué representación del texto usa cada uno y por qué el orden es ese.
  8. Los cuatro entregables suben de nivel. Di qué demuestra cada uno y qué criterio cubre.

L. Integración

  1. Relaciona la ambigüedad del §6 con el papel del lingüista del §10.1: ¿por qué una explica la necesidad del otro?
  2. Un proyecto de PLN falla. Escribe tres hipótesis —una técnica, una de datos y una de organización del equipo— y cómo comprobarías cada una.
  3. Compara el PLN con los sistemas expertos de la UD05: ¿en qué se parecen las reglas de anotación a las reglas de producción? ¿En qué se diferencian?
  4. Enlaza esta unidad con la UD06: nombra tres decisiones de un proyecto de PLN que sean a la vez técnicas y éticas.

Soluciones

Las soluciones no se publican: se corrigen y comentan en clase.

Volver a la UD03 · Talleres: T01 · T02 · Entregables