Las tecnologías de análisis de datos han evolucionado tanto que ya son capaces de procesar información en formato textual gracias a la inteligencia artificial. Las herramientas de text analytics están a la orden del día. Descubre qué es text analytics a través de 5 ejemplos de aplicaciones reales.
La inteligencia artificial es, sin duda, una de las tecnologías más importantes del siglo XXI y su constante desarrollo no deja de sorprender con nuevas posibilidades que prometen cambiar el mundo tal y como lo conocemos en el futuro.
Algunos de los usos de la inteligencia artificial son muy conocidos: machine learning, algoritmos inteligentes, sistemas de reconocimiento de voz, análisis predictivo, etc.
Sin embargo, otras aplicaciones de la IA pasan más desapercibidas. Son cuantiosos los ejemplos de proyectos sorprendentes realizados impulsados por la inteligencia artificial, pero en esta ocasión nos centramos en el análisis de texto.
Los sistemas de text analytics han ganado relevancia a medida que la cantidad de información a procesar se ha multiplicado. Hoy en día, las empresas o entidades necesitan poder procesar datos más allá de los formatos habituales, entre ellos datos en formato textual escritos en el lenguaje habitual que empleamos los humanos para comunicarnos.
¿Qué es text analytics?
Las tecnologías de text analytics son aquellas capaces de procesar datos en formato no estructurado —concretamente en formato textual escrito—. Es decir, los sistemas de text analytics tienen la capacidad de extraer información de calidad de cualquier tipo de texto.
Este tipo de tecnologías forman parte de la inteligencia artificial y usan algoritmos que son capaces de hallar patrones en textos no estructurados.
Esta capacidad es sumamente relevante, ya que se calcula que el 80% de la información relevante para las organizaciones se esconde en datos no estructurados, habitualmente textos.
La buena noticia es que, en la actualidad, existen muchos sistemas de text analytics. Sin embargo, no todos tienen las mismas capacidades ni sirven para lo mismo. Por esto es tan importante entender el funcionamiento de estas tecnologías y sus diferencias. En términos generales, los sistemas de text analyítics funcionan a partir de uno de estos dos métodos: la taxonomía o la folksonomía. La principal diferencia entre ambas es que la taxonomía requiere de una organización previa de la información a través de etiquetas predeterminadas para poder clasificar el contenido, mientras que la folksonomía se basa en el etiquetaje en lenguaje natural.
A continuación listamos algunos de las aplicaciones más comunes de las tecnologías de text analytics.
¿Para qué sirven los sistemas de text analytics? 5 ejemplos reales de text analytics
1. Hashtag #text analytics
Uno de los ejemplos más sencillos y fáciles de reconocer de análisis de texto son las etiquetas o hashtags generadas por los propios usuarios.
Es muy probable que en tu vida diaria uses hashtags en redes sociales, blogs u otras plataformas digitales para etiquetar el contenido. Pues bien, esta práctica forma parte de la taxonomía. Los usuarios crean etiquetas que son reconocidas por un algoritmo de text analytics que organiza y clasifica el contenido en función de la etiqueta; ya sean textos, fotografías, vídeos o cualquier tipo de contenido.
2. Google
Google es el buscador de contenido más usado del mundo. Sus algoritmos de búsqueda no solo encuentran cualquier tipo de contenido basándose en una palabra o frase que escribe un usuario en cualquier idioma, sino que además clasifican el orden del contenido en función de múltiples parámetros.
Los algoritmos de text analytics de Google no solo son capaces de reconocer texto escrito directamente en un portal web, sino que también reconocen y procesan el texto escrito en archivos, vídeos, documentos, imágenes, etc.
3. Flickr
Flickr es una de las plataformas más populares e importantes para compartir fotografías y también uno de los primeros portales que apostó por un sistema de text analytics basado en la folksonomía.
En la plataforma, los usuarios de la comunidad Flickr suben sus fotografías y describen el contenido de su trabajo a través de etiquetas. Además, otros usuarios pueden añadir más etiquetas a las fotografías a pesar de no ser los autores de la misma e incluso se puede etiquetar la ubicación del lugar donde ha sido sacada la fotografía.
En definitiva, el portal usa el text analytics para organizar la información y facilitar a los usuarios encontrar las imágenes que están buscando. El algoritmo de text analytics de Flickr también tiene la capacidad de reconocer tendencias y destaca las etiquetas o hashtags más relevantes del momento.
4. Folksonomy Text Analytics
En Bismart contamos con nuestra propia solución de text analytics basada en la folksonomía. Bismart Folksonomy Text Analytics es una tecnología basada en la IA que es capaz de procesar y reconocer patrones y tendencias en cualquier tipo de texto.
La solución Folksonomy Text Analytics ha sido principalmente aplicada en el sector sanitario y de la investigación clínica. En el ámbito médico, los profesionales generan enormes cantidades de datos cada día: historias clínicas, medicación recetada, síntomas presentados, altas y bajas médicas, etc.
Toda esta información tiene un valor incalculable a la hora de realizar investigaciones médicas y sacar conclusiones relativas a la respuesta de los pacientes a un tratamiento concreto o a la evolución de una enfermedad aún desconocida o sin tratamiento definitivo, como fue el Covid-19 en su momento.
El problema es que esta información no solo se genera en formato textual, sino que además cada profesional los escribe a su manera, sin seguir ningún tipo de patrón a la hora de escribir, por ejemplo, los síntomas de un paciente. Es decir, la información no está estructurada. Además, la magnitud de la información generada es tal que clasificar esta información de forma manual resulta prácticamente imposible.
La gran ventaja de Bismart Folksonomy Text Analytics es que en lugar de hallar patrones en la información a partir de etiquetas previamente establecidas, es el propio sistema el que genera las etiquetas en función de la frecuencia de aparición de las mismas en el texto.
Folksonomy Text Analytics es un software basado en modelos grandes de lenguaje o Large Language Model (LLM), una tecnología que permite procesar grandes cantidades de datos en formato textual y extraer información relevante de ellos. Esta tecnología se basa en algoritmos capaces de encontrar patrones en textos no estructurados, lo que resulta sumamente valioso teniendo en cuenta que el 80% de la información relevante para las organizaciones se encuentra en este formato. Bismart Folksonomy Text Analytics es una de las soluciones que utilizan esta tecnología y ha sido aplicada con éxito en el sector sanitario y de la investigación clínica, permitiendo clasificar grandes cantidades de información para su posterior análisis.
Bismart Folksonomy Text Analytics ha sido usada por instituciones médicas de renombre como el Institut Català de la Salut, Hospital del Mar, Laboratorios Ferrer y muchas más. Descubre todos los detalles de esta solución en la página de producto:
5. Search Engine Optimization (SEO)
Otro de los usos más habituales de los sistemas de análisis de texto los encontramos en las herramientas de analítica SEO que, entre otras cosas, analizan el posicionamiento de una página web en función de las etiquetas del contenido, la descripción, el título, etc.
Entre muchas otras cosas, las plataformas de analítica SEO reconocen patrones en datos en formato textual y, de hecho, el texto es el principal formato de posicionamiento en el caso del Search Engine Optimization.
Conclusión
Teniendo en cuenta que el 80% de la información de valor para las organizaciones está en formato no estructurado y principalmente en formato textual, los sistemas de text analytics tienen un valor incalculable para descubrir información oculta a la que, sin este tipo de tecnología, es imposible acceder.
