¿Qué es el procesamiento del lenguaje natural?

El glosario de machine learning de Google define el PLN como el campo que enseña a los ordenadores a procesar lo que un usuario ha dicho o escrito usando reglas lingüísticas. En la frase siguiente añade que casi todo el PLN moderno se basa en el machine learning.

Google separa además la comprensión del lenguaje natural (NLU) como una parte del PLN que determina la intención de lo que se dice o se escribe. Según el glosario, puede ir más allá y tener en cuenta el contexto, el sarcasmo o el sentimiento.

El PLN es el campo, no un tipo de modelo. Un modelo de lenguaje es, según Google, un modelo que estima la probabilidad de que un token o una secuencia de tokens aparezca dentro de una secuencia más larga. Un LLM es, como mínimo, un modelo de lenguaje con un número muy alto de parámetros. Los LLM son por tanto una familia de modelos dentro del PLN. Muchas tareas del campo se resolvían antes de que existieran.

El primer paso es la tokenización. Dan Jurafsky y James H. Martin la describen en su manual «Speech and Language Processing» como la primera fase del PLN: el texto de entrada se divide en tokens. Un token puede ser una palabra, un carácter o un fragmento de palabra. Los tokenizadores modernos aprenden por sí mismos conjuntos de tokens que incluyen unidades más pequeñas que la palabra, los subword tokens. Según el manual, los dos algoritmos más usados en los modelos de lenguaje actuales son byte-pair encoding (BPE) y unigram language modeling. Un ejemplo ilustrativo, no la salida de un tokenizador concreto: «desconectados» podría quedar en «des», «conect» y «ados».

Después, los tokens se convierten en números. Yoshua Bengio y sus colegas propusieron en 2003 aprender para cada palabra una representación distribuida, de modo que una frase de entrenamiento informe al modelo sobre muchas frases de significado parecido. Tomas Mikolov y su equipo presentaron en 2013 arquitecturas para calcular vectores continuos de palabras a partir de conjuntos de datos muy grandes. Esos vectores son los embeddings: listas de números con las que el modelo compara significados.

Con esa representación, el PLN resuelve tareas concretas. Jurafsky y Martin escriben que la clasificación está en el centro del procesamiento del lenguaje; ejemplos son la detección de spam y el análisis de sentimiento. El reconocimiento de entidades nombradas asigna a palabras o frases etiquetas como PERSONA, LUGAR u ORGANIZACIÓN. La traducción automática es, según el manual, probablemente uno de los usos más comunes de la tecnología del PLN. El resumen de textos aparece en el mismo manual como tarea sin una única respuesta correcta.

El camino hasta aquí tuvo tres etapas. Según Jurafsky y Martin, los enfoques simbólicos, basados en reglas, dominaron aproximadamente desde 1965 hasta principios de los años noventa. Un ejemplo es ELIZA, que Joseph Weizenbaum presentó en 1966: el programa analizaba las frases con reglas de descomposición activadas por palabras clave. Después, el campo volvió a los modelos estadísticos y neuronales. Investigadores de IBM presentaron en 1990 un enfoque estadístico para la traducción automática, y Bengio propuso en 2003 el modelo de lenguaje neuronal. En 2017, Ashish Vaswani y sus colegas presentaron el Transformer, una arquitectura de red neuronal que, según el manual, se inventó para la traducción y pronto se convirtió en una arquitectura de uso general.

La búsqueda de Google usa PLN. El 25 de octubre de 2019, Pandu Nayak anunció en el blog de Google que la empresa aplicaba BERT a la clasificación y a los fragmentos destacados. Google describe BERT como una técnica basada en redes neuronales para el preentrenamiento en PLN. Según el anuncio, BERT ayudaría a entender una de cada diez búsquedas en Estados Unidos en inglés. La cifra es de 2019 y se refiere solo a ese mercado y a ese idioma. En su guía de sistemas de ranking, actualizada el 10 de diciembre de 2025, Google describe BERT como un sistema de IA que le permite entender cómo distintas combinaciones de palabras expresan significados e intenciones diferentes. MUM, según la misma guía, entiende y genera lenguaje; Google lo usa en aplicaciones concretas y no para el ranking general.

Qué peso tienen estos sistemas en la clasificación, Google no lo dice. Lo que sí se puede leer es el objetivo: el buscador interpreta la combinación de palabras de una consulta, no solo las palabras sueltas.

En marketing, el PLN está en muchas herramientas: el análisis de sentimiento de reseñas, la clasificación de consultas de clientes, los chatbots y la traducción automática. El glosario de Google cuenta el contexto y el sarcasmo entre los aspectos complejos del lenguaje, y ahí conviene probarlas.

• Separar los términos: PLN es el campo, un modelo de lenguaje es un tipo de modelo y un LLM es un modelo de lenguaje muy grande.
• Probar una herramienta de análisis de sentimiento con una muestra propia revisada a mano antes de fiarse de sus cifras.
• Comprobar las traducciones automáticas en el idioma de destino antes de publicarlas, sobre todo nombres de producto y términos legales.
• Redactar las páginas para la pregunta completa del usuario, no para una lista de variantes de palabra clave.

• Usar PLN y LLM como sinónimos.
• Tomar la cifra de BERT de 2019 como dato actual o válido para el español.
• Creer que una herramienta detecta bien la ironía porque acierta en frases sencillas.
• Escribir para «optimizar para BERT», cuando ni el anuncio de 2019 ni la guía de sistemas de ranking describen una optimización específica para ese sistema.
• Pensar que el PLN entiende el texto como una persona. Calcula con tokens y vectores.