Proyecto: análisis de sentimientos de extremo a extremo
Un proyecto completo sobre reseñas de películas en francés: datos, línea base con TF-IDF, CamemBERT afinado, matriz de confusión y análisis de errores.
Las nueve lecciones anteriores presentaron piezas sueltas. Este proyecto las ensambla en un único problema, desde la carga de los datos hasta el análisis de los errores del modelo final. Este es el ejercicio que importa, porque en un proyecto real la dificultad nunca es una técnica aislada: está en el encadenamiento, donde cada decisión condiciona las siguientes.
El objetivo es clasificar reseñas de películas redactadas en francés según su polaridad. El corpus es real: se trata de reseñas publicadas en Allociné, reunidas y distribuidas con el nombre allocine en el Hub de Hugging Face, con dos clases —negativa y positiva— derivadas de las notas que les pusieron sus autores. Este último punto es importante y se discutirá más adelante: la etiqueta no es una anotación experta del texto, sino una nota convertida en categoría, y eso genera un tipo de error particular.
El método sigue un orden innegociable. Se miran los datos antes de modelar. Se establece una línea base tonta y después una línea base seria y no neuronal. Solo entonces se entrena un transformer, y se compara con las líneas base sobre el mismo conjunto de prueba, abierto una única vez. Por último, se leen los errores, se clasifican y se comprueba explícitamente la robustez del modelo con casos construidos para hacerlo fallar.