Aplicaciones prácticas de la IA y del NLP: guía completa

La Inteligencia Artificial y el Procesamiento del Lenguaje Natural encuentran aplicaciones en numerosos ámbitos. Esta guía presenta casos de uso concretos con ejemplos de código.

1. Análisis de textos

Análisis de documentos

# Exemple d'analyse de documents avec spaCy
import spacy
from collections import Counter

def analyze_document(text):
    # Chargement du modèle français
    nlp = spacy.load('fr_core_news_lg')
    
    # Traitement du texte
    doc = nlp(text)
    
    # Extraction des informations
    entities = [(ent.text, ent.label_) for ent in doc.ents]
    keywords = [token.text for token in doc if not token.is_stop and token.is_alpha]
    key_phrases = [chunk.text for chunk in doc.noun_chunks]
    
    return {
        "entités": entities,
        "mots_clés": Counter(keywords).most_common(10),
        "phrases_clés": key_phrases[:5]
    }

Resumen automático

# Exemple de résumé automatique avec Transformers
from transformers import pipeline

def generate_summary(text, max_length=130, min_length=30):
    # Initialisation du modèle
    summarizer = pipeline("summarization", model="facebook/bart-large-cnn")
    
    # Génération du résumé
    summary = summarizer(
        text,
        max_length=max_length,
        min_length=min_length,
        do_sample=False
    )
    
    return summary[0]['summary_text']

2. Clasificación de textos

Categorización de documentos

# Exemple de classification de documents
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline

def create_document_classifier():
    # Création du pipeline
    classifier = Pipeline([
        ('tfidf', TfidfVectorizer()),
        ('clf', MultinomialNB())
    ])
    
    return classifier

def train_classifier(classifier, texts, labels):
    # Entraînement du classificateur
    classifier.fit(texts, labels)
    return classifier

def predict_category(classifier, text):
    # Prédiction de la catégorie
    prediction = classifier.predict([text])
    probabilities = classifier.predict_proba([text])
    return prediction[0], probabilities[0]

Detección de spam

# Exemple de détection de spam
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.ensemble import RandomForestClassifier

def create_spam_detector():
    # Création du détecteur
    detector = Pipeline([
        ('vectorizer', CountVectorizer()),
        ('classifier', RandomForestClassifier())
    ])
    
    return detector

def analyze_spam_probability(detector, email_text):
    # Analyse de la probabilité de spam
    probability = detector.predict_proba([email_text])[0]
    return {
        "spam_probability": probability[1],
        "is_spam": probability[1] > 0.5
    }

3. Generación de contenido

Generación de artículos

# Exemple de génération d'articles
from transformers import GPT2LMHeadModel, GPT2Tokenizer

def generate_article(topic, max_length=500):
    # Chargement du modèle
    model = GPT2LMHeadModel.from_pretrained('gpt2')
    tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
    
    # Préparation du prompt
    prompt = f"Article sur {topic}:"
    inputs = tokenizer.encode(prompt, return_tensors='pt')
    
    # Génération du texte
    outputs = model.generate(
        inputs,
        max_length=max_length,
        num_return_sequences=1,
        temperature=0.7,
        top_p=0.9,
        do_sample=True
    )
    
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

Creación de respuestas automáticas

# Exemple de génération de réponses
from transformers import pipeline

def generate_response(context, question):
    # Initialisation du modèle
    qa_model = pipeline("question-answering", model="deepset/bert-base-cased-spqa")
    
    # Génération de la réponse
    result = qa_model(question=question, context=context)
    
    return {
        "réponse": result['answer'],
        "confiance": result['score']
    }

4. Análisis de sentimiento

Análisis de comentarios

# Exemple d'analyse de sentiment avancée
from transformers import pipeline
import pandas as pd

def analyze_comments(comments):
    # Initialisation du modèle
    sentiment_analyzer = pipeline(
        "sentiment-analysis",
        model="nlptown/bert-base-multilingual-uncased-sentiment"
    )
    
    # Analyse des commentaires
    results = []
    for comment in comments:
        sentiment = sentiment_analyzer(comment)[0]
        results.append({
            "commentaire": comment,
            "sentiment": sentiment['label'],
            "score": sentiment['score']
        })
    
    return pd.DataFrame(results)

Seguimiento de tendencias

# Exemple de suivi des tendances
def track_sentiment_trends(comments, time_periods):
    # Analyse des sentiments par période
    trends = {}
    for period in time_periods:
        period_comments = comments[period]
        sentiment_scores = analyze_comments(period_comments)
        
        trends[period] = {
            "moyenne_sentiment": sentiment_scores['score'].mean(),
            "distribution": sentiment_scores['sentiment'].value_counts().to_dict()
        }
    
    return trends

5. Aplicaciones empresariales

Servicio de atención al cliente automatizado

# Exemple de chatbot pour le service client
from transformers import AutoModelForCausalLM, AutoTokenizer

def create_customer_service_bot():
    # Initialisation du chatbot
    model = AutoModelForCausalLM.from_pretrained("microsoft/DialoGPT-medium")
    tokenizer = AutoTokenizer.from_pretrained("microsoft/DialoGPT-medium")
    
    return model, tokenizer

def generate_bot_response(model, tokenizer, user_input, chat_history):
    # Génération de la réponse
    inputs = tokenizer.encode(user_input + tokenizer.eos_token, return_tensors='pt')
    outputs = model.generate(
        inputs,
        max_length=1000,
        pad_token_id=tokenizer.eos_token_id,
        no_repeat_ngram_size=3,
        do_sample=True,
        top_k=100,
        top_p=0.7,
        temperature=0.8
    )
    
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

Análisis de documentos legales

# Exemple d'analyse de documents légaux
def analyze_legal_document(document_text):
    # Chargement du modèle
    nlp = spacy.load('fr_core_news_lg')
    
    # Traitement du document
    doc = nlp(document_text)
    
    # Extraction des informations légales
    legal_entities = [(ent.text, ent.label_) for ent in doc.ents if ent.label_ in ['ORG', 'LAW']]
    dates = [ent.text for ent in doc.ents if ent.label_ == 'DATE']
    obligations = [sent.text for sent in doc.sents if any(word in sent.text.lower() for word in ['doit', 'obligation', 'nécessaire'])]
    
    return {
        "entités_légales": legal_entities,
        "dates": dates,
        "obligations": obligations
    }

Conclusión

Las aplicaciones de la IA y del NLP son muy amplias:

• Análisis y procesamiento de textos
• Clasificación y categorización
• Generación de contenido
• Análisis de sentimiento
• Aplicaciones empresariales específicas

Puntos clave que recordar:

• Elegir los modelos adecuados
• Adaptar las soluciones a las necesidades
• Evaluar el rendimiento
• Mantener y mejorar los sistemas
• Seguir las buenas prácticas