Extraer información de un texto desordenado

El secretario de un club de ajedrez organiza una excursión en autocar. Ha preguntado por correo quién viene y han llegado treinta y cuatro respuestas de este estilo: «Seremos dos, mi mujer es vegetariana», «Al final voy, perdón por el retraso», «Quizá, confirmo el jueves», «Yo no, salvo que el autocar salga después de las 9:00». Necesita un número de plazas, un número de menús vegetarianos y la lista de quienes no han respondido con claridad.

La IA sabe hacer este tipo de clasificación, siempre que le pidas algo distinto de «resume estas respuestas».

Decir qué buscar, campo por campo

Una extracción es una tabla que rellenas a partir de un texto. Empieza, por tanto, dibujando la tabla: una fila por persona y una columna por cada dato que quieras. Para cada columna, indica los valores permitidos; si no, recibirás «sí», «Sí, encantado» y «presente».

Después, prevé los casos que no caben en las casillas. En el ejemplo existen el «quizá» y el «no, salvo que». Si no dices nada, la IA decide por ti, en silencio.

Estas son respuestas de socios de mi club de ajedrez a la invitación a una excursión en autocar. Una respuesta por bloque, separadas por una línea en blanco.

"""
[PEGA LAS RESPUESTAS]
"""

Construye una tabla con una fila por persona y estas columnas:
- Nombre (tal como aparece en la respuesta; si falta, «desconocido»)
- Participación: sí / no / incierto
- Número de plazas (1 por defecto; más si la persona anuncia más)
- Menú vegetariano: número de menús, o 0
- Condición u observación, si la persona la plantea
- Cita: las palabras exactas de la respuesta que justifican la fila

Reglas:
- «Quizá» y cualquier respuesta condicional son «incierto», anotando la condición.
- Si una persona escribe dos veces, conserva el último mensaje y señala el cambio en la observación.
- No inventes nada. Si un dato no está en la respuesta, deja la casilla vacía.
- Después de la tabla, indica el total de plazas de los «sí», el número de menús vegetarianos y la lista de los «incierto».

Exigir una cita para cada fila

La columna «Cita» es el consejo más útil de este artículo. Para cada fila, la IA debe copiar las palabras que la llevaron a su conclusión. Ganas dos cosas: detectas enseguida una interpretación dudosa al leer la cita junto al resultado, y la IA inventa menos, porque una cita tiene que existir en el texto. Eso no la hace infalible, puede citar una frase que existe y entenderla mal, pero es la comprobación más rápida.

Los casos que engañan a la extracción

La negación y la condición. «No podré no ir» es un caso de manual. Más habitual: «no, salvo que...». Prevé una categoría para el término medio.

Las correcciones. Cuando la misma persona envía dos mensajes contradictorios, la regla «gana el último» debe estar escrita. Si tus mensajes no llevan fecha, manda el orden en que los pegas, así que pégalos en orden.

La información sobre otra persona. «Mi mujer es vegetariana» se refiere a alguien que no ha escrito. Precisa si quieres contar esos casos; si no, la fila de la esposa nunca existirá.

Los valores implícitos. Si «seremos dos» significa 2 plazas, eso es una deducción. Di si la aceptas o si prefieres que la IA deje la casilla vacía.

Los formatos de fecha. Para extraer plazos de un texto, pide una escritura única (DD/MM/AAAA) y añade «deja el texto original si falta el año». Si no, elegirá un año ella.

Comprobar antes de usar la tabla

Con treinta y cuatro respuestas, la IA puede olvidarse de una o dos, sobre todo en medio de un texto largo. Tres controles llevan cinco minutos:

1. Cuenta las filas. Debe haber tantas filas como respuestas. Pídele a la IA el número de bloques que ha leído.
2. Relee los casos inciertos y condicionales, que son también los más fáciles de clasificar mal.
3. Toma cinco filas al azar y compáralas con el original. Si encuentras una falsa, revisa toda la tabla.

Para volúmenes muy grandes, valen las indicaciones del artículo sobre los documentos largos: divide en lotes de unas decenas de mensajes y fusiona después las tablas. El cálculo final (total de plazas, menús) conviene rehacerlo también con una hoja de cálculo. Las sumas largas no son el fuerte de un modelo de lenguaje, y la tabla te permite controlarlas.

Qué formato de salida elegir

Una tabla en texto se copia a una hoja de cálculo sin demasiado esfuerzo y basta para una tarea puntual. Si tienes que reutilizar los datos en otro sitio, por ejemplo en un archivo CSV o en una herramienta, pide un formato más estricto: el artículo sobre JSON y CSV explica cómo describir los campos y validar el resultado.

Piensa en los datos personales

Las respuestas de correos contienen nombres y, a veces, regímenes alimentarios o información de salud revelada de forma indirecta. Antes de pegarlas en una herramienta, quita lo que no sea necesario para tu tarea (firmas, direcciones, números de teléfono) y relee lo que dice el artículo sobre confidencialidad. Si es un club asociativo, mira también lo que prevén vuestras normas internas.

Para probar con tu caso

Elige un montón de mensajes que tengas que vaciar a mano esta semana. Escribe primero las columnas y las reglas para los casos ambiguos. Lanza la extracción solo con diez mensajes, compara con tu propio recuento, corrige las reglas que se hayan torcido y procesa el resto.