Procesamiento del lenguaje natural: del texto a una tarea medible

Reeditado el 30 de julio de 2026, este artículo parte de una definición operativa: el procesamiento del lenguaje natural, o PLN, convierte lenguaje escrito o hablado en representaciones y salidas que una máquina puede calcular. A veces la salida es una etiqueta; otras, una traducción, una respuesta, una estructura gramatical o texto nuevo. La palabra «comprensión» no describe por sí sola una prueba: hay que decir qué tarea resolvió el sistema y cómo se midió.

Ese cambio de pregunta evita dos errores frecuentes. El primero es confundir una arquitectura con una aplicación terminada. El segundo es atribuir al modelo una capacidad general porque produjo una frase convincente. Un sistema de PLN incluye datos, segmentación, modelo, instrucciones, herramientas, reglas y una forma de evaluar; cualquiera de esas piezas puede explicar el resultado o el fallo.

Antes del modelo: qué unidad se procesa

El texto no llega dividido naturalmente en las unidades que necesita un programa. Hay que decidir qué cuenta como documento, oración, palabra o fragmento. «Del» puede analizarse como una sola forma o como la contracción de «de» y «el»; un emoji puede cambiar el tono; un nombre con guion o una dirección web pueden romper una segmentación ingenua. En modelos modernos, los tokenizadores suelen dividir palabras en subunidades, lo que permite representar vocabulario nuevo sin guardar cada palabra completa.

La lingüística sigue aportando categorías útiles. La morfología estudia cómo se forman las palabras; la sintaxis, cómo se relacionan; la semántica, qué significan expresiones y composiciones; la pragmática, cómo contexto e intención alteran la interpretación. Proyectos como Universal Dependencies mantienen pautas comunes para anotar categorías gramaticales, rasgos morfológicos y relaciones sintácticas en más de 150 lenguas. Sus más de 200 bancos de árboles muestran una lección importante: «multilingüe» no es una propiedad uniforme, sino una colección de decisiones y recursos por lengua.

Los enfoques basados en reglas codifican patrones explícitos; los modelos n‑grama estiman la probabilidad de una unidad según una ventana anterior; los modelos neuronales aprenden representaciones distribuidas a partir de datos. Ninguna familia queda invalidada por la siguiente. Una expresión regular puede ser la herramienta correcta para un formato estable; un modelo estadístico puede funcionar con pocos recursos; un modelo grande puede aportar flexibilidad cuando la entrada varía. La técnica se elige por tarea y coste de error.

De secuencias recurrentes a Transformer

Las redes recurrentes procesan secuencias manteniendo un estado que se actualiza paso a paso. Variantes como LSTM se diseñaron para conservar información durante más tiempo, aunque la ejecución secuencial dificulta paralelizar el entrenamiento. En 2017, Attention Is All You Need presentó Transformer, una arquitectura basada en atención, sin recurrencia ni convoluciones en su diseño principal. El trabajo se evaluó sobre traducción automática y análisis sintáctico; no demostró todas las aplicaciones que después adoptaron la arquitectura.

La atención calcula cuánto debe influir cada posición en la representación de otra. Puede conectar palabras alejadas y entrenarse en paralelo, pero no elimina límites de contexto, ambigüedad ni dependencia de los datos. Tampoco convierte el peso de atención en una explicación causal de la decisión. Es un mecanismo de cómputo, no una prueba de que el sistema razone como una persona.

BERT preentrenó representaciones bidireccionales enmascarando parte de la entrada y después las ajustó para tareas como inferencia, clasificación y respuesta extractiva a preguntas. GPT‑3 estudió un modelo autoregresivo mucho mayor y evaluó tareas con cero, uno o pocos ejemplos escritos en el contexto, sin actualizar gradientes para cada una. Ambos usan Transformer, pero difieren en objetivo, dirección de generación y régimen de adaptación. Decir solo «usa un Transformer» no basta para predecir el comportamiento.

Las aplicaciones son especificaciones distintas

En clasificación, el sistema asigna etiquetas: tema, intención, urgencia o sentimiento. La dificultad no termina en el modelo; hay que definir etiquetas que dos anotadores puedan aplicar de forma consistente. En extracción, la salida son entidades, relaciones o campos presentes en el texto. En traducción y resumen, se genera una nueva secuencia y deben medirse tanto cobertura como fidelidad. En respuesta a preguntas, una salida fluida puede seguir siendo falsa si no está respaldada por la fuente.

Los asistentes de voz añaden reconocimiento del habla antes del componente lingüístico y síntesis después. Un fallo aparente de «comprensión» puede proceder de la transcripción, la detección de intención, la recuperación de información o la ejecución de una herramienta. Separar esas etapas permite asignar el error y probar cada interfaz.

IBM Watson ilustra un sistema compuesto. El artículo técnico Building Watson describe DeepQA como una arquitectura que generaba hipótesis de respuesta, reunía evidencias con numerosos algoritmos, calculaba puntuaciones y estimaba confianza para competir en Jeopardy!. No era simplemente un buscador sobre una base de datos. Su éxito estaba ligado al formato del concurso, al tiempo de respuesta y a una estrategia de decisión; trasladarlo a otro dominio exigía nuevos datos, componentes y validación.

Evaluar exige conservar el eje

Cada tarea necesita una métrica relacionada con su uso. La exactitud puede servir cuando las clases están equilibradas y todos los errores cuestan lo mismo; precisión y exhaustividad separan falsas alarmas de casos omitidos; una puntuación de solapamiento en traducción o resumen no mide por sí sola verdad ni utilidad. En generación abierta, la revisión humana necesita una rúbrica: fidelidad, relevancia, daño, estilo y posibilidad de comprobar la respuesta.

La partición de datos es parte del experimento. Documentos duplicados, autores compartidos o ejemplos posteriores filtrados al entrenamiento pueden inflar el resultado. Una prueba aleatoria puede ocultar que el sistema se usará con temas, vocabulario o hablantes nuevos. El trabajo Characterizing and Measuring Linguistic Dataset Drift separa cambios de vocabulario, estructura y semántica y estudia cómo se relacionan con la degradación en clasificación de sentimiento e inferencia. La categoría «cambio de distribución» se vuelve más útil cuando se puede nombrar qué cambió.

También hay que medir por lengua, dialecto, longitud, canal y grupo pertinente. Una media puede esconder que el sistema funciona peor con mensajes breves, habla con ruido o variedades ausentes del entrenamiento. La abstención es una salida válida: un sistema puede ser más seguro si detecta baja confianza y deriva el caso, en vez de forzar siempre una respuesta.

Cómo diseñar un sistema de PLN que pueda auditarse

Una especificación mínima tiene cinco capas. Tarea: qué entrada recibe y qué salida debe producir. Datos: procedencia, permisos, idiomas, periodo y proceso de anotación. Modelo: versión, tokenizador, objetivo y adaptación. Evaluación: conjunto separado, métricas, subgrupos y errores críticos. Operación: latencia, privacidad, herramientas, monitorización, revisión y retirada.

Después del despliegue se conservan entradas representativas con controles de privacidad, versiones de instrucciones y herramientas, y resultados corregidos. Los cambios se prueban contra una batería estable y contra ejemplos recientes. Si el sistema genera texto, debe quedar claro cuándo cita una fuente, cuándo infiere y cuándo no sabe. Si clasifica personas o decisiones de alto impacto, la posibilidad de impugnar y revisar no es una métrica del modelo, pero sí una propiedad del sistema.

La capacidad transferible es traducir «este sistema entiende lenguaje» a una ficha comprobable: qué unidad procesa, qué tarea resuelve, con qué datos aprendió, cómo se midió y qué ocurre cuando falla. Las técnicas cambian —reglas, n‑gramas, redes recurrentes o Transformers—, pero esa descomposición sigue permitiendo distinguir una demostración convincente de una herramienta fiable.