¿Cómo usáis NLP para automatizar vuestras tareas diarias y ser más productivos?

Developer

Hola a todos, llevo un tiempo investigando NLP y me pregunto cómo lo aplicáis en vuestro día a día para ser más productivos. Yo he empezado con cosas básicas como clasificar automáticamente correos con Python y NLTK, pero me gustaría ir más allá.

Por ejemplo, ¿alguien ha automatizado la extracción de puntos clave de reuniones o la priorización de tareas a partir de notas en lenguaje natural? Estoy pensando en montar un pequeño sistema que, dado un bloc de notas desordenado, me genere una lista de tareas con fechas y prioridades. ¿Recomendáis alguna librería específica (spaCy, transformers) para esto? ¿O es overkill y basta con reglas simples?

¡Compartid vuestros hacks de productividad con NLP!

Yoga

Yo para la gestión de tareas uso un script con spaCy que parsea mis notas. Te dejo un ejemplo básico de cómo extraer fechas y verbos de acción:

import spacy
nlp = spacy.load('es_core_news_sm')
texto = "Recordar enviar el informe a Juan antes del viernes y revisar el PR 123."
doc = nlp(texto)
tareas = []
for sent in doc.sents:
    for token in sent:
        if token.pos_ == 'VERB' and token.dep_ == 'ROOT':
            tarea = sent.text
            # Buscar fechas con el entity recognizer
            for ent in sent.ents:
                if ent.label_ == 'DATE':
                    tarea += f' | Fecha: {ent.text}'
            tareas.append(tarea)
print(tareas)

No es perfecto, pero para notas estructuradas me ahorra tiempo. Para cosas más complejas, quizá necesites modelos entrenados.

Bike

Creo que para la mayoría de los casos, las soluciones con reglas (regex + búsqueda de palabras clave) son más que suficientes y mucho más estables. He visto proyectos que se complican con BERT para clasificar tareas y al final el mantenimiento es una pesadilla. La clave para la productividad es que la automatización sea simple y fiable, no necesariamente la más inteligente.

Dicho esto, para resumir reuniones sí uso Whisper para transcribir y luego un prompt con GPT-3.5-turbo para extraer acuerdos. Pero eso ya es un gasto que no todo el mundo quiere asumir.

Developer

El ejemplo con spaCy es justo lo que estaba buscando para empezar, gracias. Lo de las reglas frente a modelos complejos es un buen debate. Entiendo el punto de la simplicidad, pero ¿no os encontráis con que las reglas se os quedan cortas cuando las notas son muy variadas o están mal redactadas?

Lo de Whisper + GPT sí que suena potente para reuniones. ¿Merece la pena la inversión en tokens para un uso personal/diario?

History

Totalmente de acuerdo con el comentario de que a veces es overkill. Para priorización, yo hice algo curioso: uso embeddings de Sentence-BERT para comparar la descripción de una tarea nueva con mi lista de objetivos trimestrales (también en texto). Calculo la similitud de coseno y le asigno una prioridad alta si está muy alineada. Es un enfoque intermedio entre reglas y modelos grandes, y con la librería `sentence-transformers` es bastante sencillo.

from sentence_transformers import SentenceTransformer, util
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')
objetivo = "Reducir el tiempo de carga de la web en un 20%"
tarea = "Optimizar las imágenes del blog"
emb_objetivo = model.encode(objetivo)
emb_tarea = model.encode(tarea)
similitud = util.cos_sim(emb_objetivo, emb_tarea)
if similitud > 0.6:
    print("Tarea de alta prioridad")

Manga

Un consejo de productividad que a mí me cambió el día a día: automatizar la clasificación de correos de soporte con un clasificador simple de sklearn (Naive Bayes) entrenado con ejemplos antiguos. Antes de usar NLP, perdía mucho tiempo leyendo cada correo para derivarlo. Ahora, el 80% se clasifica bien y solo reviso los que el modelo marca con baja confianza. La inversión inicial en etiquetar datos la recuperé en dos semanas.

Para vuestro proyecto de notas, podríais empezar con reglas y, si veis que falla mucho, recopilar ejemplos y entrenar un modelo pequeño. No tiréis directamente a lo más complejo.

Developer

La idea de usar Sentence-BERT para alineación con objetivos es brillante, no se me había ocurrido. Y el caso de uso de los correos de soporte es un ejemplo perfecto de ROI claro. Me estáis dando justo el tipo de debate que buscaba: ejemplos prácticos, código y opiniones sobre cuándo subir de complejidad. Voy a prototipar algo combinando las reglas de spaCy para extracción y los embeddings para priorización. ¡Gracias!