Proyecto: Toolkit de resumización, titulización automática y paráfrasis de contenido multicanal basado en modelos de deep learning

Tareas relevantes y aparentemente sencillas, como generar un resumen de un pequeño texto, permanecían inalcanzables hasta hace pocos años. A medida que ha avanzado el estado del arte, no sólo hemos podido enfrentarnos a estos problemas esenciales, sino que hemos ido más allá tratando de controlar el estilo de los generadores de texto, la paráfrasis de documentos, etc.

También con textos hemos trabajado en un problema aún más fundamental, como es la extracción de texto de los documentos (OCR). Aunque el reto está esencialmente superado para la extracción de texto en bruto, sigue siendo un problema interesante la extracción de información estructurada o semi-estructurada. En particular, hemos desarrollado un flujo automatizado para entrenamiento de modelos de extracción de información en documentos semi-estructuados que alcanza rendimientos similares a ChatGPT4 por una fracción del coste y tiempo de inferencia.