Aplicaciones del procesamiento del lenguaje natural: chatbots y asistentes por voz
GUÍA DOCENTE Curso 2024-25
| Titulación: | Máster Universitario en Procesamiento del Lenguaje y Aplicaciones de la Int | 656M |
| Asignatura: | Aplicaciones del procesamiento del lenguaje natural: chatbots y asistentes por voz | 5292 |
| Materia: | Estudios de caso II |
| Módulo: | Estudios de caso y prácticas |
| Modalidad de enseñanza de la titulación: | Virtual | Carácter: | Optativa |
| Curso: | 1 | Créditos ECTS: | 4,00 | Duración: | Semestral (Segundo Semestre) |
| Horas virtuales sincrónicas: | 40,00 | Horas estimadas de trabajo autónomo: | 60,00 |
| Horas virtuales asincrónicas: | 0,00 | |
| Idiomas en que se imparte la asignatura: | Español |
| Idiomas del material de lectura o audiovisual: | Inglés, Español |
Departamentos responsables de la docencia
| MATEMÁTICAS Y COMPUTACIÓN | R111 |
| Dirección: | C/ Madre de Dios, 53 | Código postal: | 26006 |
| Localidad: | Logroño | Provincia: | La Rioja |
| Teléfono: | 941299452 | Fax: | 941299460 | Correo electrónico: | dpto.dmc@unirioja.es |
Profesorado previsto
| Profesor: | Martín Arista, Francisco J. | Responsable de la asignatura |
| Teléfono: | 941299425 | Correo electrónico: | javier.martin@unirioja.es |
| Despacho: | 108 | Edificio: | FILOLOGÍAS | Tutorías: | Consultar |
Descripción de los contenidos
-Principios generales del diseño de agentes conversacionales
-Principios básicos de la compresión del lenguaje natural
-Análisis de plataformas tecnológicas comerciales y públicas
-Prototipado rápido de asistentes virtuales
Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura
Ninguno especificado.
Competencias
Competencias generales
CG01 - Poseer y comprender conocimientos sobre procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística que aporten una base u oportunidad de ser originales en el desarrollo de soluciones dentro del ámbito de la lingüística computacional
CG02 - Aplicar los conocimientos adquiridos a la resolución de problemas en entornos nuevos o poco conocidos relacionados con las áreas de estudio de lingüística computacional, procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística
CG03 - Integrar conocimientos y formular juicios a partir de una información que incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de la lingüística computacional, el procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística
CG04 - Comunicar las conclusiones sobre lingüística computacional, procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística -y los conocimientos y razones últimas que las sustentan- a públicos especializados y no especializados de un modo claro y sin ambiguëdades
CG05 - Evaluar el progreso del propio aprendizaje de técnicas y recursos de procesamiento del lenguaje natural e inteligencia artificial aplicada a la lingüística
Competencias específicas
CE23 - Resolver, sobre la base de los conocimientos de lingüística computacional, procesamiento de lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística, casos de uso de distintos ámbitos públicos y privados
CC27 Sintetizar los principios básicos de la comprensión automática del lenguaje hablado.
CC28 Aplicar la tecnología de reconocimiento de voz a tareas de procesamiento del lenguaje natural.
CC29 Aplicar la tecnología de síntesis de voz a tareas de procesamiento del lenguaje natural.
HD26 Interpretar el funcionamiento de asistentes virtuales por voz.
HD27 Analizar de forma cuantitativa los resultados obtenidos de asistentes virtuales por voz.
Resultados del aprendizaje
Los resultados de aprendizaje (Conocimientos o contenidos [CC], competencias [CG y CE] y habilidades o destrezas [HD]) se incluyen en el apartado de competencias hasta que se actualice la aplicación informática del Ministerio de Universidades.
Objetivos de desarrollo sostenible
Temario
Tema 1. Introducción a los sistemas conversacionales por voz y/o texto
Tema 2. Introducción a las plataformas de software para el desarrollo de sistemas conversacionales
Tema 3. Desarrollo y análisis de prestaciones de ejemplos de chatbots por texto
Tema 4. Fundamentos del análisis de voz. Extracción de características
Tema 5. Estado del arte en reconocimiento automático de habla
Tema 6. Estado del arte en conversión texto a voz
Bibliografía
| Tipo: | Título |
| Básica | Introduction to Rasa Open Source & Rasa Pro https://rasa.com/docs/rasa/ |
| Básica | Canal de Youtube de Rasa 3.x https://www.youtube.com/playlist?list=PL75e0qA87dlEjGAc9j9v3a5h1mxI2Z9fi |
| Básica | McFee, Brian, Colin Raffel, Dawen Liang, Daniel PW Ellis, Matt McVicar, Eric Battenberg, and Oriol Nieto. ¿librosa: Audio and music signal analysis in python.¿ In Proceedings of the 14th python in science conference, pp. 18-25. 2015. |
| Básica | Florian Eyben, Martin Wöllmer, Björn Schuller: ¿openSMILE - The Munich Versatile and Fast Open-Source Audio Feature Extractor¿, Proc. ACM Multimedia (MM), ACM, Florence, Italy, ISBN 978-1-60558-933-6, pp. 1459-1462, 25.-29.10.2010. https://sail.usc.edu/ |
| Básica | Wav2vec: State-of-the-art speech recognition through self-supervision https://ai.facebook.com/blog/wav2vec-state-of-the-art-speech-recognition-through-self-supervision/ |
| Básica | Robust speech recognition via large-scale weak supervision. Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C., & Sutskever, I. (2022).arXiv:2212.04356.https://arxiv.org/abs/2212.04356 |
| Básica | J. Shen et al., "Natural TTS Synthesis by Conditioning Wavenet on MEL Spectrogram Predictions," 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Calgary, AB, Canada, 2018, pp. 4779-4783, doi: 10.1109/ICASSP.2018.84 |
| Complementaria | ¿Qué son los Modelos de Lenguaje Grandes (LLM)? https://www.bureauworks.com/es/diario/Que-son-los-modelos-de-lenguaje-grandes-llm--bw |
| Complementaria | Lectura recomendada: Blog ¿Cómo entiende un Bot? NLU en Rasa https://www.ipglobal.es/como-entiende-un-bot-nlu-en-rasa/ |
| Complementaria | LLaMA: Open and Efficient Foundation Language Models. Hugo Touvron, et al. MetaAI. 2023. arXiv. https://arxiv.org/abs/2302.13971 |
| Recursos en Internet |
Rasa Open Source |
spaCy |
Google Colab |
Whisper |
Wav2vec2 |
Tacotron |
Metodología
Modalidades organizativas
Clases teóricas
Seminarios y talleres
Clases prácticas
Estudio y trabajo en grupo
Estudio y trabajo autónomo individual
Métodos de enseñanza
Método expositivo - Lección magistral
Estudio de casos
Resolución de ejercicios y problemas
Aprendizaje basado en problemas
Aprendizaje orientado a proyectos
Aprendizaje cooperativo
Organización
| Actividades dirigidas | Tamaño
de grupo | Horas
virtuales
sincrónicas | Horas
virtuales
asincrónicas | Horas
totales |
| Clases teóricas | Grande | 15,00 | | 15,00 |
| Seminarios y talleres | Reducido | 5,00 | | 5,00 |
| Clases prácticas | Reducido | 20,00 | | 20,00 |
| Total de horas de actividades dirigidas | 40,00 |
| Trabajo autónomo del estudiante | Horas |
| Estudio y trabajo autónomo individual | 60,00 |
| Total de horas de trabajo autónomo | 60,00 |
Evaluación
| Sistema de evaluación | Recuperable | No Recup. |
| Pruebas de ejecución de tareas reales y/o simuladas | | 30% |
| Trabajos y proyectos | 70% | |
| Total | 100% |
Comentarios
En lo relativo a la realización fraudulenta de pruebas de evaluación, se atenderá a lo establecido en el artículo 20 del Reglamento de docencia y evaluación del aprendizaje en las asignaturas de grado y máster de la Universidad de La Rioja.
Versión: 14/06/2024 10:30:35 - G 2024-25 - 656M - 5292 - Impresión: 16/11/2025 01:36:33
