Year: 2023
Type: dissertation
Abstract: Desde hace algunos años, se ha podido observar una tendencia en alza de hacer uso de modelos de IA y machine learning para la resolución de numerosas tareas en campos tan complejos y difusos como podría ser el procesamiento de imágenes o lenguaje natural. En el caso del procesamiento del lenguaje natural, el machine learning, y concretamente el uso de las redes neuronales ha provocado una absoluta revolución en el campo, obteniendo resultados tan increíbles que en algunos casos llegan a superar la pericia de un ser humano real. En este trabajo se ha buscado implementar un modelo capaz de detectar, para una premisa y una hipótesis dada, la relación semántica que existe entre ellas (relacionada, neutral o contradictoria). El dataset utilizado para entrenar nuestro modelo es ofrecido por Kaggle en su competición “Contradictoy My Dear Watson” y está formado por numerosos ejemplos de hipótesis y premisas en 15 lenguajes diferentes, aunque nosotros nos centramos en el inglés. Durante el trabajo hemos desarrollado de cero un modelo imitando la arquitectura y el proceso de entrenamiento de BERT. El rendimiento de nuestro modelo solo alcanzo el 46% de exactitud, por ello se hizo uso de un modelo ya pre-entrenado mucho más potente, RoBERTa, para poder terminar de comprender la increíble capacidad que poseen este tipo de redes neuronales, consiguiendo un 84% de exactitud.
Author: Quintana Sánchez, Diego
Language: Spanish
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6997282428