Pipeline de procesamiento de texto
Un flujo que traduce textos en español, los resume y analiza su sentimiento, reuniendo los resultados en un archivo.
Un proyecto educativo que reúne distintas tareas de procesamiento del lenguaje natural en un notebook y combina modelos preentrenados con un clasificador propio.
El problema
Extraer información de un texto requiere coordinar varias tareas: traducir, sintetizar el contenido e identificar su sentimiento. Cada modelo tiene sus propios requisitos de entrada y trabajar con ellos por separado fragmenta el análisis.
La solución
El pipeline parte de un texto en español, lo traduce al inglés con MarianMT, genera un resumen con BART y analiza el sentimiento con DistilBERT. Añade un clasificador LSTM entrenado en español y exporta los resultados a un archivo de texto.
Cómo funciona.
Traducción de español a inglés mediante MarianMT, dividiendo el texto en fragmentos.
Generación de un resumen en inglés con BART.
Análisis de sentimiento sobre la traducción con DistilBERT.
Clasificador LSTM propio para sentimiento positivo, neutro o negativo en español y exportación a un archivo .txt.
La base técnica.
El notebook utiliza Hugging Face Transformers para los modelos preentrenados y TensorFlow/Keras para la red LSTM. El flujo conecta lectura del texto, transformación, inferencia y exportación en una secuencia reproducible.
Resultado y alcance.
El resultado concentra traducción, resumen y sentimiento en una única salida. La LSTM se entrena con un conjunto pequeño con fines educativos: sirve para explorar la arquitectura, pero no acredita rendimiento para producción.
¿Tienes un proceso que podría funcionar mejor?
Cuéntame qué necesitas y vemos cómo convertirlo en una solución útil para tí o tu empresa.
Hablemos de tu proyecto