Análisis y Diseño de una herramienta software para Reconocimiento y Clasificación de entidades nombradas en grandes volúmenes de textos históricos

Abstract

La identificación de entidades nombradas es esencial para la extracción de información y la búsqueda de interacciones entre personajes, fechas, hechos y otros tipos de entidades en los documentos históricos. Esto se logra mediante el uso de herramientas de Procesamiento de Lenguaje Natural (NLP) y Reconocimiento y Clasificación de Entidades Nombradas (NERC). El proyecto se centra en el problema del reconocimiento y clasificación de entidades nombradas en los documentos titulados como “Güemes Documentado” que relatan la vida del General Martin Miguel de Güemes. Se utilizaron una combinación de técnicas de aprendizaje automático, incluyendo redes neuronales convolucionales (CNN) y transformers, para identificar y clasificar entidades nombradas en el texto como pueden ser personas, fechas y lugares. El proyecto también implica la creación de un conjunto de datos y la evaluación de diferentes herramientas y técnicas de machine learing para lograr los objetivos establecidos.

A lo largo del trabajo se utilizó la metodología de Investigación en Ciencias de la Computación (DSRM), que es un proceso para diseñar soluciones de software para la investigación científica.
La metodología consta de seis fases, con la primera fase siendo la identificación del problema y la motivación para encontrar una solución. La segunda fase implica definir los objetivos para la solución. Las fases restantes implican diseño iterativo, desarrollo, demostración, evaluación y comunicación de los resultados. La metodología enfatiza la importancia de la rigurosidad tanto en el desarrollo como en la evaluación de la solución, así como la comunicación efectiva de los resultados al público adecuado.