Especialista en PNL

Horario de trabajo

La mayoría de los especialistas en PLN trabajan a tiempo completo, normalmente en horario laboral habitual, aunque los plazos relacionados con el lanzamiento de modelos o de productos importantes pueden requerir horas extras. El trabajo se realiza casi en su totalidad con el ordenador y se divide entre la programación, el análisis de datos de texto y las reuniones con lingüistas, anotadores y equipos de producto. La mayoría de los especialistas en PLN trabajan para empresas tecnológicas, pero muchos también lo hacen en sectores como las finanzas, la sanidad, los medios de comunicación y la atención al cliente, donde resulta muy valioso comprender el texto y el habla a gran escala.

Funciones típicas

• Limpieza y preprocesamiento de datos de texto mediante tokenización y normalización
• Creación y ajuste de modelos para tareas como la clasificación, el análisis de opiniones o el reconocimiento de entidades
• Evaluación del rendimiento del modelo mediante métricas específicas del idioma, como el índice F1 o el BLEU
• Creación de flujos de trabajo que admitan varios idiomas y dialectos
• Elaboración de directrices de anotación para que los etiquetadores humanos etiqueten el texto de forma coherente
• Realizar análisis de errores en casos lingüísticos complejos, como la jerga, el sarcasmo o los dialectos regionales
• Integración de modelos de PLN en aplicaciones a través de API y servicios
• Comparar diferentes arquitecturas de modelos para encontrar la que mejor se adapta a una tarea
• Colaboración con lingüistas y anotadores de datos para mejorar la calidad de los datos de entrenamiento
• Mantenerse al día sobre los nuevos lanzamientos de modelos de lenguaje y las técnicas de investigación
• Documentación del comportamiento del modelo, sus limitaciones y los casos de fallo conocidos

Responsabilidades adicionales

• Apoyar a otros equipos en el desarrollo de funcionalidades basadas en texto en todo el producto
• Selección y limpieza de grandes conjuntos de datos de texto para el entrenamiento y la evaluación
• Investigar y abordar los sesgos o las injusticias en los resultados de los modelos de lenguaje
• Aportar mejoras a las bibliotecas y herramientas de PLN de código abierto
• Presentación de los resultados de la investigación y del rendimiento del modelo a las partes interesadas
• Orientar a los anotadores y a los miembros más jóvenes del equipo sobre las normas de etiquetado

La jornada de un especialista en PLN suele comenzar revisando los resultados de la evaluación del modelo tras una sesión de entrenamiento realizada durante la noche, comprobando los índices de precisión y analizando ejemplos concretos en los que el modelo ha cometido algún error. Comprender por qué se ha producido ese error —ya sea por un problema con los datos o por una limitación real del modelo— determina las prioridades del resto de la jornada.

A mediodía solemos dedicarnos a desarrollar y probar. Eso puede significar ajustar un modelo con un nuevo lote de datos etiquetados, escribir código para limpiar texto desordenado procedente de las redes sociales o de los tickets de atención al cliente, o experimentar con una arquitectura de modelo diferente para ver si gestiona mejor la jerga o el sarcasmo. A menudo hay reuniones con los anotadores para aclarar las directrices de etiquetado o con los equipos de producto para definir qué se considera «correcto» en un caso límite complicado.

Las tardes suelen consistir en analizar patrones de error en un gran conjunto de datos, redactar los resultados y planificar la siguiente ronda de experimentos. Los especialistas en PLN también dedican tiempo a leer investigaciones recientes para ver si alguna técnica nueva podría resolver un problema persistente, ya que el campo evoluciona rápidamente y el mejor enfoque de ayer suele mejorarse en cuestión de meses.

Habilidades sociales

• Un auténtico amor por el lenguaje, los juegos de palabras y cómo el significado cambia según el contexto
• Atención a los matices y a la ambigüedad en la comunicación escrita y oral
• Pensamiento analítico para identificar la causa raíz de los errores
• Paciencia con datos de texto del mundo real, desordenados e inconsistentes
• Curiosidad por las diferentes culturas, dialectos y formas de hablar
• Comunicar con claridad los resultados técnicos a los compañeros de equipo sin conocimientos técnicos
• Colaboración con lingüistas, anotadores e ingenieros
• La creatividad en el diseño de soluciones para problemas lingüísticos ambiguos
• Capacidad de adaptación ante la constante aparición de nuevos modelos y técnicas
• Perseverancia a lo largo de repetidas rondas de pruebas y perfeccionamiento
• Sensibilidad cultural al trabajar con datos multilingües o con gran variedad de dialectos

Habilidades técnicas

• Programación en Python para el procesamiento de datos y el desarrollo de modelos
• Transformers de Hugging Face para crear y ajustar modelos de lenguaje
• spaCy y NLTK para el procesamiento de textos y el análisis lingüístico
• PyTorch o TensorFlow para el desarrollo de modelos de aprendizaje profundo
• Técnicas de tokenización y de incrustación para representar el texto de forma numérica
• Expresiones regulares para la búsqueda de patrones en texto
• SQL para consultar y gestionar conjuntos de datos de texto
• Métricas de evaluación como BLEU, ROUGE y el índice F1
• Conocimientos de sintaxis, semántica y lingüística básica
• Familiaridad con el uso de la computación en la nube y los recursos de GPU para el entrenamiento

• Especialista en análisis de sentimientos: crea modelos que detectan emociones y opiniones en textos
• Ingeniero de traducción automática: desarrolla sistemas que traducen de un idioma a otro
• Especialista en reconocimiento de entidades nombradas: crea modelos que identifican personas, lugares y organizaciones en textos
• Ingeniero de clasificación de texto: crea modelos que clasifican el texto en categorías como tema o intención
• Especialista en habla y lenguaje: trabaja en modelos que convierten el habla en texto y viceversa
• Especialista en chatbots y sistemas de diálogo: crea modelos capaces de mantener conversaciones de varios turnos
• Ingeniero de PLN multilingüe y de localización: adapta los modelos lingüísticos para que funcionen en múltiples idiomas

• Empresas de tecnología y software
• Redes sociales y plataformas de comunicación
• Empresas de tecnología dedicadas al servicio de atención al cliente y la asistencia técnica
• Empresas de servicios financieros y de tecnología financiera
• Empresas del sector sanitario y de la biotecnología
• Empresas de medios de comunicación, edición y moderación de contenidos
• Empresas de comercio electrónico y minoristas
• Proveedores de servicios de traducción y localización
• Organismos gubernamentales y organismos de inteligencia
• Laboratorios de investigación y universidades
• Empresas de tecnología jurídica
• Organizaciones sin ánimo de lucro dedicadas a la accesibilidad lingüística

El lenguaje es complejo, y se espera que los especialistas en PLN le saquen sentido de todos modos. La jerga, el sarcasmo, los errores ortográficos, la mezcla de idiomas y el lenguaje de Internet, en constante evolución, hacen que la «comprensión» sea un objetivo en constante cambio, y un modelo que hoy funcione bien puede que mañana tenga que volver a entrenarse a medida que el lenguaje evoluciona.

Asegurarse de que un modelo funcione de forma equitativa en distintos dialectos, acentos e idiomas —incluidos aquellos para los que hay muchos menos datos de entrenamiento disponibles— requiere un cuidado especial y puede ralentizar los proyectos. Existe una presión real para hacerlo bien, ya que un modelo que funcione bien solo para un dialecto o un grupo demográfico puede excluir o representar de forma errónea a otros sin quererlo.

Además, este campo evoluciona rápidamente, con nuevos modelos lingüísticos y técnicas que se publican constantemente. Para mantenerse al día es necesario leer y experimentar de forma continua, a menudo además de una carga de trabajo completa, y los especialistas en PLN que se quedan atrás en cuanto a los nuevos métodos pueden ver cómo sus habilidades quedan obsoletas más rápido que en muchos otros campos tecnológicos.

• El desarrollo de grandes modelos multilingües capaces de gestionar docenas de idiomas a la vez
• El creciente uso del aprendizaje con pocos ejemplos y del aprendizaje sin ejemplos, lo que reduce la necesidad de disponer de enormes conjuntos de datos etiquetados
• Ampliación de la generación asistida por recuperación para una respuesta a preguntas más precisa
• Un uso más generalizado de la traducción de voz en tiempo real en aplicaciones y dispositivos
• Análisis de opinión a gran escala en redes sociales para marcas e investigadores
• Cada vez se presta más atención al ajuste de modelos más pequeños y eficientes, en lugar de centrarse únicamente en los de gran tamaño
• Mayor atención a la auditoría de sesgos y equidad en todos los idiomas y dialectos
• Una mayor inversión en investigación sobre las lenguas con pocos recursos que carecen de grandes conjuntos de datos de entrenamiento
• El auge de los modelos multimodales que combinan texto, voz e imágenes
• Aumento de la demanda de sistemas de moderación de contenidos capaces de comprender el contexto y la intención

Muchos especialistas en PNL crecieron con pasión por la lectura, la escritura o el aprendizaje de nuevos idiomas, y eran de esos niños que se daban cuenta cuando una palabra se utilizaba de forma inusual. Los juegos de palabras, los crucigramas y las clases de idiomas extranjeros solían parecerles más una diversión que una tarea escolar.

Otros combinaron esa pasión por el lenguaje con un interés precoz por los ordenadores y la programación, disfrutando tanto de un buen libro como de un buen reto de programación. La costumbre de detectar patrones en la forma de hablar o escribir de las personas, unida a la curiosidad por cómo las máquinas procesan la información, a menudo les llevó directamente a una carrera dedicada a enseñar a los ordenadores a comprender el lenguaje humano.