02/02/2015 - Nuevas herramientas para analizar y extraer información de textos en español, portugués y gallego

Menéame

Escribir un correo electrónico, publicar una entrada en un blog, o comentar una fotografía en una red social, son pequeños ejemplos cotidianos de nuestra contribución al crecimiento exponencial de los datos en la red, cuya fracción más significativa está constituida por un número creciente de textos y documentos.

Esta tendencia expansiva exige una evolución constante de las herramientas informáticas diseñadas para su análisis y procesado, que abarcan un amplio espectro de técnicas computacionales; todas ellas están cobrando cada vez mayor importancia, especialmente las empleadas en las áreas de procesamiento de lenguaje natural y extracción de información.
 

Hacia una tecnología multilingüe

El procesamiento de lenguaje natural tiene múltiples aplicaciones, entre las que figuran los traductores automáticos o el aprendizaje de idiomas online. En la actualidad, las técnicas utilizadas en este ámbito se encuentran ya en un estado muy avanzado para lenguas como el inglés, pero en el caso de otras –como el gallego, el portugués, o incluso el español -, la tecnología disponible hasta la fecha es mucho más limitada.

Con el objetivo de suplir estas carencias, el investigador del CiTIUS Marcos García ha dedicado su tesis doctoral al desarrollo de una serie de herramientas tecnológicas destinadas a mejorar la capacidad de procesamiento de estas tres lenguas, un trabajo enmarcado en la línea de investigación mixta en la que desde hace tiempo vienen colaborando el CiTIUS y el Grupo de Gramática del Español de la Universidad de Santiago de Compostela (USC).

Por su parte, lossistemas de extracción abierta permiten analizar la web para obtener y organizar automáticamente grandes cantidades de información, lo que resulta muy útil a la hora de discernir ideas o mensajes entre la maraña de datos de la red. Así, por ejemplo, los resultados de esta tesis permiten inferir de manera muy sencilla unidades semánticas fácilmente reconocibles, como «Santiago está en Galicia» o «la edad de Messi es 27 años», a partir de la información disponible en la web.

El sistema de extracción abierta presentado no sólo es el primero en funcionar en gallego, portugués y español, sino que ofrece resultados altamente competitivos con los mejores sistemas en lengua inglesa. Se trata, así, de la primera solución de este tipo disponible, un conjunto de herramientas lingüísticas desarrolladas bajo una licencia de software libre que pueden descargarse gratuitamente a través del enlace http://gramatica.usc.es/~marcos/phd.html#cap2.

Computación y lenguaje: una oportunidad para emprender

La línea de investigación que ampara este trabajo ha dado lugar también a la creación de una nueva empresa especializada en tecnologías del lenguaje: la spin-off del CiTIUS Cilenis Software, creada en 2011 y galardonada el mismo año con el Primer Premioal Proyecto Empresarial Innovador.  En 2012, el empresario y analista económico Marc Vidal adquirió parte de Cilenis Software, a través de la compañía IDODI Labs.

Según los responsables del proyecto, Cilenis Software surgió como medio para hacer viables a nivel comercial los resultados de investigación del grupo; como afirma Pablo Gamallo, director de la tesis de Marcos García y co-fundador de Cilenis, lo que se pretende es «reducir el gap actual entre las herramientas disponibles para procesar la lengua inglesa, y las empleadas para el análisis de lenguas iberoamericanas».

____________________________________________

Estimaciones recientes han determinado que el volumen de información generado por la humanidad desde los albores de la civilización hasta el año 2003 equivaldría apenas a la cantidad de datos que los usuarios de Internet creamos en tan sólo 2 días. (fuente: http://techcrunch.com/2010/08/04/schmidt-data)

La Comisión Europea prepara un plan de acción destinado a acelerar la digitalización del sector del agua y mejorar la eficiencia en la gestión de los recursos hídricos. La comisaria de Medio Ambiente, Resiliencia Hídrica y Economía Circular Competitiva, Jessika Roswall, convocó para el 9 de noviembre de 2026 una mesa de trabajo con representantes de empresas, operadores de servicios,...

El Colegio Oficial de Ingenieros Aeronáuticos de España (COIAE) ha convocado una jornada virtual dedicada a la eficiencia operacional de las aerolíneas, una de las líneas de trabajo de la aviación comercial para optimizar recursos y reducir su impacto ambiental. La sesión está programada para hoy martes 10 de noviembre de 2026, a las 18:30 horas, y se integra en...

La Universidad Carlos III de Madrid (UC3M) participa entre el 10 y el 12 de noviembre de 2026 en Horizon Deep Tech Summit, un encuentro dedicado al desarrollo de tecnologías avanzadas, la colaboración con la industria y la creación de empresas a partir del conocimiento científico. La universidad ha anunciado su presencia a través del Servicio de Apoyo al Emprendimiento...

La Unión Europea ha iniciado siete proyectos de ciberseguridad dirigidos a hospitales y proveedores sanitarios, con una inversión conjunta próxima a los 30 millones de euros. La iniciativa, anunciada por el Centro Europeo de Competencia en Ciberseguridad (ECCC), pretende mejorar la capacidad de los centros para prevenir, detectar y responder a los ciberataques, especialmente a los episodios de ransomware capaces...

La seguridad del suministro energético, la diversificación de proveedores y la robustez de las infraestructuras logísticas ocuparon el centro del LXIII Almuerzo de la Ingeniería, organizado por la Asociación de Ingenieros Industriales de Madrid y el Colegio Oficial de Ingenieros Industriales de Madrid (COIIM). El encuentro contó con la intervención de Javier Goñi, consejero delegado de Exolum. Bajo el título...