Proyecto Common sense - SWAG
1st Andı́a Jaén, Andrés Rodrigo 182894 2nd Cusi Fuentes, Gonzalo 184196 3rd Lope Torres, Marisol 171938
dept. Ingenierı́a Informática dept. Ingenierı́a Informática
UNSAAC
Cusco, Perú Cusco, Perú
182894@unsaac.edu.pe 184196@unsaac.edu.pe
4th Quispe Escalante, Carla 175101 5th Pfoccori Quispe, Alex Harvey 193837
dept. Ingenierı́a Informática
UNSAAC
Cusco, Perú
175101@unsaac.edu.pe
I. I NTRODUCCI ÓN
El tema central de esta presentación es el procesamiento del
lenguaje natural (NLP), enfocándonos en cómo las máquinas
pueden entender y procesar el lenguaje humano, con especial
atención en la comprensión del lenguaje y la inferencia textual.
Estos campos son esenciales para desarrollar inteligencias
artificiales avanzadas capaces de interpretar y generar texto
de manera similar a los humanos.
II. D ESCRIPCI ÓN DEL P ROBLEMA E SCOGIDO
El problema escogido se centra en el procesamiento del
lenguaje natural (NLP), con un enfoque particular en la
comprensión del lenguaje y la inferencia textual. La com-
prensión del lenguaje implica la capacidad de un sistema para
interpretar el significado de texto o habla, mientras que la
inferencia textual se refiere a la habilidad de deducir nuevas
informaciones o conclusiones a partir de lo que ha sido
expresado explı́citamente en el texto.
III. D ESAF ÍOS EN LA C OMPRENSI ÓN DEL L ENGUAJE Y LA
I NFERENCIA T EXTUAL
• Ambigüedad del Lenguaje: El lenguaje humano es inher-
entemente ambiguo, lo cual presenta retos significativos
para su procesamiento automático.
• Contexto y Conocimiento General: Comprender el
lenguaje a menudo requiere de un conocimiento que va
más allá del texto mismo.
• Variaciones Lingüı́sticas: El lenguaje varı́a significativa-
mente entre culturas, dialectos y jergas.
• Inferencia y Razonamiento: La capacidad de deducir
nueva información a partir de lo que se ha dicho
explı́citamente en el texto.
IV. B REVE R ESUMEN DE LOS A RT ÍCULOS DEL E STADO
DEL A RTE
Los artı́culos discutidos presentan avances en la repre-
sentación de textos y la inferencia textual, destacando el uso
de modelos de atención y la importancia de bases de datos
diversas y ricas para entrenar y evaluar los modelos.
dept. Ingenierı́a Informática
UNSAAC UNSAAC
Cusco, Perú
171938@unsaac.edu.pe
dept. Ingenierı́a Informática
UNSAAC
Cusco, Perú
193837@unsaac.edu.pe
V. I NTERPRETACI ÓN DE LAS M ÉTRICAS DE LOS
A RT ÍCULOS E STADO DE A RTE
Las métricas como precisión, recall, medida F1 y exactitud
son fundamentales para evaluar el desempeño de los modelos
de NLP, ayudando a entender qué tan bien un modelo puede
identificar y clasificar correctamente la información en el texto.
VI. A PLICACIONES L OCALES P OTENCIALES
• Automatización de Respuestas a Consultas Estudiantiles:
Implementar sistemas de NLP para responder au-
tomáticamente preguntas frecuentes de estudiantes, mejo-
rando la eficiencia y la disponibilidad de la información.
• Análisis de Sentimientos en Evaluaciones Académicas.
Aplicar técnicas de NLP para analizar los comentarios
en evaluaciones de cursos o profesores, ofreciendo ası́
perspectivas que pueden contribuir a la mejora continua
de la calidad educativa.
• Resumen Automático de Textos Académicos. Desarrollar
herramientas que generen resúmenes concisos de textos
académicos, apoyando el estudio y la investigación de
estudiantes y docentes.
• Traducción de Lenguas Nativas. Crear sistemas espe-
cializados en la traducción de lenguas nativas, como el
quechua, para fomentar la preservación cultural y facilitar
la comunicación inclusiva.
VII. B IBLIOGRAF ÍA
1) Devlin, J., Chang, M. W., Lee, K., & Toutanova, K.
(2018). BERT: Pre-training of Deep Bidirectional Trans-
formers for Language Understanding. Recuperado de
https://arxiv.org/pdf/1810.04805.pdf
2) Radford, A., Wu, J., Child, R., Luan, D., Amodei,
D., & Sutskever, I. (2018). Language Models are
Unsupervised Multitask Learners. Recuperado de
https://arxiv.org/pdf/1808.05326.pdf