Definición
Question Answering es una tarea de PLN en la que un sistema devuelve una respuesta a una pregunta a partir de texto, datos o el conocimiento del modelo. En el trabajo práctico con IA, ayuda a los equipos a relacionar un concepto con datos, comportamiento del modelo, decisiones de producto, evaluación y riesgo. La pregunta útil no es solo qué significa el término, sino cómo afecta a la calidad, el coste, la fiabilidad y las decisiones en un flujo de trabajo real.
Ejemplo
Un sistema de lenguaje usa Question Answering para analizar, transformar o comprender texto y voz.
Por qué importa
Question Answering importa porque una tarea de PLN en la que un sistema devuelve una respuesta a una pregunta a partir de texto, datos o conocimiento del modelo puede cambiar cómo los equipos crean, evalúan, eligen o gobiernan sistemas de IA. Ayuda a que los sistemas trabajen con lenguaje humano en búsqueda, soporte, redacción, análisis, voz y flujos de conocimiento.
Cómo funciona
El texto o la voz se limpian, se segmentan, se representan como tokens o embeddings y luego se clasifican, buscan, transforman, generan o alinean con una tarea. En Question Answering, lo clave es conectar la definición con las entradas, las suposiciones, los resultados medibles y los límites de despliegue.
Dónde se usa
- Se usa en búsqueda, chatbots, traducción, resumen, análisis de sentimiento, extracción, transcripción e interfaces de voz.
Limitaciones
Los sistemas de lenguaje pueden perder contexto, tratar mal términos de dominio, amplificar sesgos o producir salidas convincentes pero incorrectas.
FAQ
¿Por qué es útil conocer Question Answering?
Question Answering es útil de conocer porque afecta a decisiones prácticas sobre la calidad del modelo, el coste, la fiabilidad, la seguridad o la selección de herramientas.
¿Cómo debería evaluarse Question Answering en la práctica?
Empieza por la tarea concreta y luego revisa los datos, las suposiciones, las métricas, las limitaciones y el coste de los errores antes de confiar en el resultado.