Introducción a la Inteligencia Artificial y al Procesamiento del Lenguaje Natural

La Inteligencia Artificial (IA) y el Procesamiento del Lenguaje Natural (NLP) son campos en plena expansión que están transformando nuestra forma de interactuar con las máquinas.

1. Conceptos fundamentales

¿Qué es la IA?

# Ejemplo sencillo de aprendizaje automático
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# Creación de datos de ejemplo
X, y = make_classification(n_samples=1000, n_features=20)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Entrenamiento del modelo
model = LogisticRegression()
model.fit(X_train, y_train)

# Evaluación
score = model.score(X_test, y_test)
print(f"Précision du modèle : {score:.2f}")

¿Qué es el NLP?

# Ejemplo de procesamiento de texto con NLTK
import nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords

# Descarga de los recursos necesarios
nltk.download('punkt')
nltk.download('stopwords')

# Ejemplo de procesamiento
text = "L'intelligence artificielle transforme notre monde."
tokens = word_tokenize(text)
stop_words = set(stopwords.words('french'))

# Filtrado de las palabras vacías
filtered_tokens = [w for w in tokens if w.lower() not in stop_words]
print(f"Mots filtrés : {filtered_tokens}")

2. Aplicaciones prácticas

Análisis de sentimiento

# Ejemplo de análisis de sentimiento con Transformers
from transformers import pipeline

# Inicialización del modelo
sentiment_analyzer = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")

# Análisis de texto
text = "Je suis vraiment ravi de découvrir l'IA !"
result = sentiment_analyzer(text)
print(f"Sentiment : {result[0]['label']} (Score : {result[0]['score']:.2f})")

Generación de texto

# Ejemplo de generación de texto con GPT
from transformers import GPT2LMHeadModel, GPT2Tokenizer

# Carga del modelo
model = GPT2LMHeadModel.from_pretrained('gpt2')
tokenizer = GPT2Tokenizer.from_pretrained('gpt2')

# Generación de texto
prompt = "L'intelligence artificielle est"
inputs = tokenizer.encode(prompt, return_tensors='pt')
outputs = model.generate(inputs, max_length=50, num_return_sequences=1)
generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(f"Texte généré : {generated_text}")

3. Herramientas modernas

Bibliotecas populares

# Ejemplo de uso de spaCy
import spacy

# Carga del modelo francés
nlp = spacy.load('fr_core_news_sm')

# Análisis de texto
text = "L'IA révolutionne le traitement du langage naturel."
doc = nlp(text)

# Extracción de las entidades nombradas
for ent in doc.ents:
    print(f"Entité : {ent.text} - Type : {ent.label_}")

Modelos preentrenados

# Ejemplo de uso de BERT
from transformers import BertTokenizer, BertModel

# Carga del modelo
tokenizer = BertTokenizer.from_pretrained('bert-base-multilingual-cased')
model = BertModel.from_pretrained('bert-base-multilingual-cased')

# Codificación de texto
text = "L'intelligence artificielle est fascinante."
encoded = tokenizer(text, return_tensors='pt')
outputs = model(**encoded)

4. Buenas prácticas

Preprocesamiento de los datos

# Script de preprocesamiento de texto
def preprocess_text(text):
    # Conversión a minúsculas
    text = text.lower()
    
    # Eliminación de los caracteres especiales
    import re
    text = re.sub(r'[^\w\s]', '', text)
    
    # Tokenización
    tokens = word_tokenize(text)
    
    # Eliminación de las palabras vacías
    stop_words = set(stopwords.words('french'))
    tokens = [w for w in tokens if w not in stop_words]
    
    return ' '.join(tokens)

Evaluación de los modelos

# Script de evaluación de modelo
def evaluate_model(model, X_test, y_test):
    # Predicciones
    predictions = model.predict(X_test)
    
    # Métricas
    from sklearn.metrics import accuracy_score, precision_score, recall_score
    
    accuracy = accuracy_score(y_test, predictions)
    precision = precision_score(y_test, predictions, average='weighted')
    recall = recall_score(y_test, predictions, average='weighted')
    
    print(f"Précision : {accuracy:.2f}")
    print(f"Précision moyenne : {precision:.2f}")
    print(f"Rappel moyen : {recall:.2f}")

5. Aplicaciones avanzadas

Traducción automática

# Ejemplo de traducción con MarianMT
from transformers import MarianMTModel, MarianTokenizer

# Carga del modelo de traducción
model_name = 'Helsinki-NLP/opus-mt-fr-en'
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)

# Traducción
text = "L'intelligence artificielle est passionnante."
encoded = tokenizer(text, return_tensors='pt')
outputs = model.generate(**encoded)
translated = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(f"Traduction : {translated}")

Pregunta-respuesta

# Ejemplo de sistema de pregunta-respuesta
from transformers import pipeline

# Inicialización del modelo
qa_model = pipeline("question-answering", model="deepset/bert-base-cased-spqa")

# Pregunta y contexto
context = "L'IA est utilisée dans de nombreux domaines comme la médecine, la finance et l'éducation."
question = "Quels sont les domaines d'application de l'IA ?"

# Obtención de la respuesta
result = qa_model(question=question, context=context)
print(f"Réponse : {result['answer']}")

Conclusión

La IA y el NLP ofrecen posibilidades inmensas:

• Procesamiento automático del lenguaje
• Análisis de sentimiento
• Generación de texto
• Traducción automática
• Sistemas de pregunta-respuesta

Puntos clave que hay que recordar:

• Comprender los conceptos fundamentales
• Utilizar las bibliotecas adecuadas
• Seguir las buenas prácticas
• Evaluar el rendimiento
• Mantenerse al día con los avances