Summary: | Actualmente, existe un auge en introducir modelos de Aprendizaje Automático a varios aspectos
de la vida cotidiana. Un campo de relevancia consiste en el Procesamiento del Lenguaje Natural (NLP)
que busca modelar al lenguaje humano. La dificultad de entrenar a modelos que aprendan del lenguaje,
es alta. Un componente clave y básico para que estas inteligencias aprendan de forma adecuada consiste
en los datos, que para el caso de NLP, se encuentran mayoritariamente en inglés. El presente proyecto
de investigación surge de la problemática de encontrar insumos de gran escala, en idiomas diferentes al
inglés, para alimentar a modelos de Aprendizaje Profundo que produzcan textos de forma automática.
Se han generado cuatro resultados principales: 1) Una metodología para construir corpus de gran escala,
con facilidad de escalar a diferentes dominios e idiomas, 2) Un corpus en español, dentro del dominio
de comentarios de productos textiles, con más de 170 mil documentos que obtuvo buenos resultados de
evaluaciones humanas y automáticas, 3) Un sistema computacional que automatizó la construcción
del corpus desde el principio al fin, desde la recolección de los documentos hasta su evaluación, y 4)
resultados de línea base de un modelo generacional que sirven como punto de referencia para futuras
investigaciones dentro de la generación automática de textos dentro del dominio textil
|