Primer sistema para extraer información de textos en español, portugués y gallego

Escribir un correo electrónico, publicar una entrada en un blog, o comentar una fotografía en una red social, son 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. Estimaciones recientes apuntan que el volumen de información generado por la humanidad desde los albores de la civilización hasta el año 2003 apenas equivaldría a la cantidad de datos que los usuarios de internet crean en dos días.

Esta tendencia expansiva exige una evolución constante de las herramientas informáticas diseñadas para su análisis y procesado, y en este marco, científicos del Centro Singular de Investigación en Tecnoloxías da Información (CiTIUS) en Galicia han desarrollado nuevas herramientas para el análisis de textos en español, gallego y portugués.

Sus técnicas computacionales se centran en el procesamiento de lenguaje natural (interacciones entre computadoras y el lenguaje humano) y la extracción abierta de información, con la que se consiguen datos estructurados desde otros que no lo están pero son legibles por los ordenadores. Los resultados se han publicado en una tesis y diversos papers.

El procesamiento de lenguaje natural tiene múltiples aplicaciones, entre las que figuran los traductores automáticos o el aprendizaje de idiomas on line. 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 las tres con las que trabajan–, la tecnología disponible hasta la fecha era mucho más limitada.

Para suplir estas carencias, el investigador Marcos García y otros miembros del CiTIUS han creado herramientas que mejoran la capacidad de procesamiento del español, gallego y portugués, en colaboración con el Grupo de Gramática del Español de la Universidad de Santiago de Compostela (USC).

Por su parte, los sistemas 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, se puede 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 es el primero en funcionar en gallego, portugués y español, además de ofrece resultados muy competitivos con los mejores sistemas en inglés, según sus autores. Se trata de la primera solución de este tipo disponible, un conjunto de herramientas lingüísticas desarrolladas bajo una licencia de software libre que pueden descargarse gratuitamente.

Una empresa surge de la investigación

Esta línea de investigación 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 Premio al Proyecto Empresarial Innovador. En 2012, el empresario y analista económico Marc Vidal adquirió parte de esta empresa, 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 cofundador 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".