Procesamiento del lenguaje natural (PLN)

Disciplina de la IA centrada en que las máquinas entiendan, interpreten y generen lenguaje humano. Abarca desde la traducción y el análisis de sentimiento hasta los modelos de lenguaje generativos.

Actualizado: 2 de octubre de 2026.

Del texto a una tarea concreta

Una frase puede pedir una acción, expresar una opinión o aportar un dato. El PLN ayuda a convertir ese lenguaje en una tarea: traducir un mensaje, encontrar una fecha, clasificar una consulta o resumir una conversación. La salida puede ser texto, una etiqueta o una estructura que después utiliza otra aplicación. Un sistema útil necesita una pregunta clara y una forma de comprobar la respuesta; producir una frase convincente no demuestra que sea correcta.

Un ejemplo original: reseñas de una tienda

Usamos tres mensajes ficticios: «Llegó a tiempo y funciona bien», «No funciona; quiero devolverlo» y «El envío fue rápido, pero falta una pieza». Un clasificador de sentimiento puede marcar positivo, negativo y mixto. Un extractor puede separar el problema del producto y la petición de devolución. Un traductor podría pasar los tres mensajes a otro idioma. Son tareas diferentes, aunque compartan la misma entrada.

Con un LLM podemos pedir varias salidas a la vez, pero hay que revisarlas por separado. Para el tercer mensaje, una respuesta útil identifica la pieza faltante sin borrar que el envío fue rápido. Una etiqueta única como «positivo» pierde esa diferencia. No incluimos clientes reales ni enviamos una respuesta automática.

Diagrama original de AIClases. Representa un ejemplo didáctico; no es una captura ni una evaluación de un proveedor.

Tokens, embeddings y atención

La tokenización divide el texto en unidades que el modelo procesa. No hay una equivalencia fija de un token por palabra: influye el idioma y el tokenizador. Los embeddings representan unidades en un espacio numérico; no son definiciones de diccionario ni una garantía de comprensión humana.

En un transformer, la atención relaciona partes de la entrada para construir representaciones dependientes del contexto. En «el banco cerró a las cinco», las palabras cercanas ayudan a interpretar «banco» de modo distinto que en «el banco de la plaza». El artículo Attention Is All You Need, presentado en 2017, propuso una arquitectura basada en atención para tareas de secuencia, con experimentos de traducción. Ese resultado no implica que todo sistema de PLN use exactamente la misma arquitectura o que entienda cada contexto sin errores.

Cómo revisar el resultado

Prepará ejemplos fáciles, ambiguos y fuera de lo esperado. Definí qué cuenta como un acierto antes de elegir el modelo. En nuestro caso, «mixto» es mejor que borrar el problema; si el texto no indica qué pieza falta, la salida debe decirlo. Revisá también nombres, negaciones, regionalismos y fechas. Si la tarea afecta a una persona, una revisión humana decide la acción siguiente.

Podés empezar con este pedido: «Clasificá cada reseña como positiva, negativa o mixta. Separá problema y pedido explícito. Citá las palabras que justifican la etiqueta. Si falta información, indicá qué falta. No inventes acciones realizadas». Compará la salida con los tres mensajes, no con lo natural que suena.

Preguntas frecuentes

¿PLN y LLM significan lo mismo?

No. PLN es un campo de tareas y métodos relacionados con el lenguaje. Un LLM es un tipo de modelo que puede resolver algunas de esas tareas. También existen soluciones con reglas, búsqueda o modelos especializados.

¿Una clasificación de sentimiento mide la emoción de una persona?

Clasifica señales del texto según sus reglas o entrenamiento. No permite deducir con certeza la emoción, intención o situación de quien lo escribió; una ironía o una frase incompleta puede cambiar la interpretación.

¿Puedo usar un solo modelo para todo?

Podés ensayarlo, pero revisá cada tarea con sus propios ejemplos. Un modelo que traduce bien puede perder datos al resumir. Para una salida muy restringida, una regla sencilla puede resultar suficiente.

¿Qué hago si el texto contiene datos personales?

Usá sólo información autorizada y necesaria. Para aprender, reemplazá nombres y detalles por datos ficticios. Comprobá las condiciones del servicio antes de cargar archivos; eliminar un nombre no siempre vuelve anónimo un relato.

Aprendé más

Practicá cómo dar contexto y revisar una salida en ChatGPT para Principiantes, gratuito, y explorá prompts por tarea. Las herramientas externas tienen sus propias condiciones. Empezá con un ejemplo pequeño y conservá la entrada, la salida y tus correcciones.