Extracción de Información

La extracción de información es la tarea de obtener automáticamente información estructurada —entidades, relaciones, eventos— a partir de texto no estructurado o semiestructurado. Convierte texto libre en datos que una máquina puede consultar, por ejemplo para rellenar una base de datos o construir un grafo de conocimiento. Es importante entenderla como un paraguas de varias subtareas, no como sinónimo de una sola.

Sus subtareas

La extracción de información agrupa varias tareas. El reconocimiento de entidades nombradas localiza y clasifica menciones como personas, organizaciones o lugares. La extracción de relaciones identifica el vínculo entre dos entidades ya detectadas. La extracción de eventos detecta sucesos y sus participantes. Y la resolución de correferencia determina cuándo distintas expresiones —un nombre, un pronombre— se refieren a la misma entidad. El reconocimiento de entidades es, pues, una subtarea, no todo el proceso.

De las reglas a los modelos de lenguaje

Los métodos han evolucionado por etapas: primero reglas y patrones escritos a mano, frágiles y muy dependientes del dominio; luego modelos estadísticos de secuencia como los CRF; después modelos preentrenados como BERT; y hoy grandes modelos de lenguaje que extraen información con instrucciones, incluso sin ejemplos previos. En paralelo existe la extracción abierta, que obtiene relaciones sin un esquema fijado de antemano.

Usos y retos

Se usa para construir grafos de conocimiento, minar literatura biomédica o analizar documentos financieros y legales. Sus retos son la dependencia del dominio, el coste de la anotación y, con los grandes modelos de lenguaje, las alucinaciones: extraer datos no fieles al texto de origen, lo que ha reforzado la importancia de anclar cada extracción a su fuente.