En esta lección aprenderemos a comunicar los resultados de un proyecto de NLP. La presentación clara y estructurada es clave para transmitir el valor del modelo a usuarios, clientes o stakeholders.
Estructura de la presentación
Definición del problema: ¿qué se quiere resolver y por qué es importante?
Datos: fuente, limpieza y preprocesamiento.
Modelo: arquitectura elegida, parámetros y justificación.
Métricas: resultados cuantitativos y comparación con baseline.
Demo: funcionamiento en un caso real.
Conclusiones: logros, limitaciones y próximos pasos.
Ejemplo de visualización de métricas
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
y_true = [1,0,1,0,1]
y_pred = [1,0,1,1,0]
cm = confusion_matrix(y_true, y_pred)
ConfusionMatrixDisplay(cm).plot()
plt.show()
Las gráficas ayudan a mostrar fortalezas y debilidades del modelo.
Mini-proyecto sugerido
Tema: Análisis de opiniones de restaurantes en reseñas de Google Maps.
Recolectar reseñas con estrellas y comentarios.
Entrenar un modelo de análisis de sentimientos.
Construir un dashboard con métricas y ejemplos reales.
Presentar conclusiones sobre patrones de satisfacción del cliente.
Rúbrica de evaluación
Datos: calidad, documentación y representatividad.
Modelo: claridad en la elección y resultados alcanzados.
Producto: utilidad, experiencia de usuario y estabilidad.
Presentación: claridad, visualizaciones y narrativa.
Buenas prácticas en presentaciones
Usar ejemplos prácticos fáciles de entender.
Mostrar métricas con gráficos claros y legibles.
Explicar limitaciones de manera transparente.
Conectar los resultados con el objetivo inicial del proyecto.
Ejemplo de storytelling
“Analizamos 5.000 reseñas de restaurantes en Bogotá. Descubrimos que los principales factores de satisfacción son la calidad de la comida y la atención al cliente. El modelo alcanza un 85% de precisión en la clasificación de reseñas positivas y negativas, lo cual permite identificar áreas de mejora para los negocios locales.”
Conclusiones del mini-proyecto
El NLP puede generar insights útiles para negocios locales.
La visualización de métricas facilita la toma de decisiones.
Un MVP funcional ayuda a mostrar rápidamente el valor del análisis.
Reflexión final
Presentar resultados de forma clara y con ejemplos prácticos es tan importante como construir un buen modelo. La combinación de narrativa, métricas y demostraciones en vivo asegura que el proyecto tenga impacto real.