MISIÓN 1 · Lección 6

Aplicación de Reconocimiento de Entidades (NER)

El Reconocimiento de Entidades Nombradas (NER) identifica elementos clave en un texto, como personas, organizaciones, ubicaciones, fechas o cantidades. Es esencial en minería de información, chatbots, motores de búsqueda y análisis de documentos.

Ejemplo básico con spaCy

import spacy

nlp = spacy.load("es_core_news_md")
doc = nlp("Apple lanzó el iPhone en California en 2007")

for ent in doc.ents:
    print(ent.text, ent.label_)
# Apple ORG
# iPhone MISC
# California LOC
# 2007 DATE

Las etiquetas pueden incluir: PERSON, ORG, LOC, DATE, MONEY, entre otras.

Uso en un pipeline

El NER puede integrarse en aplicaciones para:

• Resumir documentos legales extrayendo nombres y fechas clave.
• Analizar menciones de empresas en noticias financieras.
• Construir chatbots que reconozcan ciudades, productos o personas.

Exportar entidades a JSON

import json

ents = [{"text": e.text, "label": e.label_} for e in doc.ents]
print(json.dumps(ents, ensure_ascii=False, indent=2))

Este formato facilita integrar la información extraída en APIs o bases de datos.

Visualización de entidades

spaCy incluye un visualizador integrado (displacy):

from spacy import displacy

texto = "Lionel Messi juega para el Inter de Miami en Estados Unidos."
doc = nlp(texto)
displacy.serve(doc, style="ent")

Esto abre un servidor local con el texto resaltado en colores según el tipo de entidad.

Ejemplo de aplicación con FastAPI

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Texto(BaseModel):
    text: str

@app.post("/ner")
async def get_entities(item: Texto):
    doc = nlp(item.text)
    ents = [{"text": e.text, "label": e.label_} for e in doc.ents]
    return {"entities": ents}

Retos del NER

• Reconocimiento en múltiples idiomas.
• Identificación de entidades nuevas (ej. nombres recientes de productos).
• Contexto ambiguo (ej. “Amazon” como empresa o como lugar).

Extensión y entrenamiento personalizado

Podemos entrenar un modelo NER para dominios específicos:

• Medicina: enfermedades, tratamientos, medicamentos.
• Legal: artículos, leyes, instituciones.
• Finanzas: indicadores, empresas, activos.

Aplicaciones reales

• Análisis de contratos legales.
• Monitoreo de menciones de marcas en redes sociales.
• Organización automática de documentos por entidades detectadas.

Reflexión final

El NER transforma texto no estructurado en datos estructurados útiles. Dominarlo permite construir soluciones de alto valor en sectores como salud, derecho, finanzas y marketing.