IBS Software construye en Bedrock un modelo de IA bilingüe de NER para la logística de carga

El AWS Machine Learning Blog ha publicado un análisis técnico sobre cómo IBS Software construyó un sistema bilingüe de reconocimiento de entidades nombradas (NER) para la logística de carga. La compañía utilizó destilación de conocimiento basada en tokens (token-based) en la plataforma Amazon Bedrock.

Qué es el NER y por qué lo necesita la logística

El Named Entity Recognition (NER) es una tarea de procesamiento del lenguaje natural en la que el modelo localiza y clasifica entidades concretas dentro de un texto: nombres de empresas, direcciones, números de contenedor, fechas o nombres de puertos. En la logística de carga, los documentos (albaranes, declaraciones aduaneras, instrucciones) suelen llegar en distintos idiomas, y extraer estos datos a mano es un proceso laborioso y propenso a errores.

Cómo funciona la destilación de conocimiento basada en tokens

La destilación de conocimiento (knowledge distillation) es una técnica en la que un modelo más compacto aprende a reproducir el comportamiento de un modelo grande. Así conserva la mayor parte de la precisión con un coste computacional considerablemente menor. El enfoque token-based aplica la destilación a nivel de cada token del texto. Esto resulta especialmente relevante en NER, donde la precisión al etiquetar cada palabra de la frase es crítica.

• Tecnología: modelo NER bilingüe (bilingual) para logística de carga
• Método de entrenamiento: destilación de conocimiento basada en tokens (knowledge distillation)
• Plataforma: Amazon Bedrock, con las capacidades de destilación de conocimiento de AWS
• Autor del caso: IBS Software

Al optar por la destilación de conocimiento en lugar de desplegar un gran modelo de lenguaje completo, IBS Software logra una precisión aceptable en el reconocimiento de entidades con un coste de inferencia más bajo. Es un factor crítico para las empresas logísticas, que procesan grandes volúmenes de documentos a diario.

Qué significa esto

El caso de IBS Software ilustra un patrón práctico para sectores con datos muy especializados y multilingües: no es imprescindible mantener en producción un modelo generalista pesado. Un modelo compacto y destilado, entrenado para una tarea concreta como el NER, puede resolverla de forma más eficiente y barata.