Características de Amazon Comprehend

Las características de modelado de temas, detección de eventos y clasificación de seguridad de peticiones de Amazon Comprehend dejarán de estar disponibles para nuevos clientes a partir del 30 de abril de 2026. Si quiere usar estas características con cuentas nuevas, hágalo antes de esta fecha. No se requiere ninguna acción para las cuentas que usaron estas características en los últimos 12 meses; estas cuentas seguirán teniendo acceso. Obtenga información sobre las alternativas de transición y los pasos de migración aquí. Nota: Esto no afecta a la disponibilidad de otras características de Amazon Comprehend.

Amazon Comprehend es un servicio de procesamiento de lenguaje natural (NLP) que utiliza machine learning (ML) para analizar textos. Amazon Comprehend proporciona reconocimiento de entidades personalizadas, clasificación personalizada, extracción de frases clave, análisis de opiniones, reconocimiento de entidades y más API para que pueda integrar fácilmente el NLP en las aplicaciones. Basta con llamar a las API de Amazon Comprehend en una aplicación y proporcionar la ubicación del documento o el texto de origen. Las API producen entidades, frases clave, opiniones y lenguaje en formato JSON, que puede usar en su aplicación.

El reconocimiento de entidades personalizadas le permite personalizar Amazon Comprehend para identificar términos específicos de su dominio. Mediante AutoML, Amazon Comprehend aprenderá a partir de un pequeño conjunto de ejemplos (por ejemplo, una lista de números de póliza, números de reclamación o NSS) y, a continuación, entrenará un modelo privado y personalizado para reconocer estos términos, como los números de reclamación, en cualquier otro bloque de texto dentro de archivos PDF, texto sin formato o documentos de Microsoft Word, sin necesidad de machine learning. Consulte la página de documentación para obtener más información. 

Ejemplo: en este ejemplo, a una empresa de seguros le gustaría analizar los documentos de texto correspondientes a entidades específicas de su empresa, los números de póliza.

 

Texto de muestra: Hola, me llamo Carlos Rodríguez y quisiera presentar una reclamación por accidente de coche. Mi código de póliza es 456-YQT.

La API de clasificación personalizada le permite crear fácilmente modelos de clasificación personalizada de textos con las etiquetas específicas de su empresa sin tener que aprender ML. Por ejemplo, su organización de soporte al cliente puede usar la clasificación personalizada para categorizar automáticamente las solicitudes entrantes por tipo de problema según cómo el cliente haya descrito el inconveniente.  Con el modelo personalizado, es fácil moderar los comentarios de los sitios web, evaluar la opinión de los clientes y organizar los documentos de los grupos de trabajo. Consulte la página de documentación para obtener más información.

Ejemplo: supongamos que desea organizar los comentarios de atención al cliente de una compañía aérea. Quiere organizar cada comentario en las categorías “Preguntas sobre la cuenta”, “Reembolsos de billetes” y “Reclamaciones de vuelo”. Para formar el servicio, cree un archivo CSV que contenga texto de ejemplo de cada problema y etiquete cada ejemplo con una de las tres etiquetas que corresponda. El servicio formará automáticamente un modelo personalizado en su nombre. Para utilizar su modelo para analizar todas las llamadas al día siguiente, envíe cada archivo de texto al servicio y recibirá los resultados etiquetados junto con la confianza de la etiqueta correspondiente.

La API de reconocimiento de entidades devuelve las entidades nombradas (“Personas”, “Lugares”, “Ubicaciones”, etc.) que se categorizan de manera automática a partir del texto proporcionado. Consulte la página de documentación para obtener más información.

Ejemplo: en este ejemplo, examinamos la descripción de una empresa. La API identifica entidades como la empresa, la fecha y la ubicación y produce una puntuación de confianza.

Texto de muestra: Amazon.com, Inc. se encuentra ubicada en Seattle, WA y fue fundada el 5 de julio de 1994 por Jeff Bezos. Permite a los clientes comprar de todo, desde libros a batidoras. Seattle está al norte de Portland y al sur de Vancouver, BC. Otras compañías importantes con sede en Seattle son Starbucks y Boeing.

La API de análisis de opiniones produce la opinión general de un texto (positiva, negativa, neutra o mixta). Consulte la página de documentación para obtener más información. 

Ejemplo: en este ejemplo, un cliente está publicando un comentario acerca de un par de zapatos. La API identifica la opinión del cliente y produce una puntuación de confianza.

Texto de muestra: Pedí un número pequeño y esperaba que me quedaran bien, pero en realidad el número era más bien mediano-grande. Los zapatos son de gran calidad. El color marrón es algo más claro que el de la imagen, pero se acerca bastante. Sería mucho mejor si incorporaran un forro de algodón o lana.

La opinión focalizada proporciona información más granular mediante la identificación de opiniones (positivas, negativas, neutrales o mixtas) en las entidades de un texto. Consulte la página de documentación para obtener más información.

Ejemplo: en este ejemplo, un restaurante revisa la opinión de un cliente para entender en qué puede mejorar su empresa.

Texto de muestra: Me gustó mucho la hamburguesa, pero el servicio fue muy lento.

Use las capacidades de ML de Amazon Comprehend para detectar y redactar información de identificación personal (PII) en correos electrónicos de clientes, tickets de soporte, reseñas de productos, redes sociales, etc. No se necesita experiencia previa en ML. Por ejemplo, puede analizar tickets de soporte y artículos de conocimiento para detectar entidades de PII y redactar el texto antes de indexar los documentos en la solución de búsqueda. Después, las soluciones de búsqueda no tienen entidades de PII en documentos. Redactar entidades de PII le permite proteger la privacidad y cumplir con las leyes y normativas nacionales. Consulte la página de documentación para obtener más información.

Ejemplo: en este ejemplo, un cliente quiere redactar datos financieros y personales de un extracto bancario. La API de redacción de PII identificará y redactará la PII junto con una puntuación de confianza.

Texto de muestra: Hola, Juan Pérez. La cuenta 1111-0000-1111-0008 de la tarjeta de crédito de AnyCompany Financial Services, LLC tiene un pago mínimo de 24,53 USD que vence el 31 de julio. En función de la configuración de pago automática, se cobrará el pago de la cuenta bancaria XXXXXX1111 con el número de enrutamiento XXXXX0000 el día del vencimiento.

La detección de toxicidad de Comprehend proporciona una solución simple basada en NLP para la detección de contenido tóxico en documentos de texto. La característica está disponible de forma inmediata para moderar conversaciones entre usuarios en plataformas en línea y las entradas y salidas de IA generativa. Consulte la página de documentación para obtener más información.

Comprehend proporciona un clasificador binario previamente entrenado que puede clasificar la petición de entrada como dañina o no. Esto se puede integrar para permitir que los LLM solo respondan a contenido inofensivo. Consulte la página de documentación para obtener más información.

La API de extracción de frases clave produce frases clave o temas de conversación y una puntuación de confianza que respalda que se trata de una frase clave. Consulte la página de documentación para obtener más información.

Ejemplo: en este ejemplo, un cliente compara una cámara DSLR con una cámara instantánea de película. La API extrae las frases más importantes y envía una puntuación de confianza sobre los resultados.

Texto de muestra: Soy un fotógrafo entusiasta y principalmente saco fotos con mi cámara réflex digital o con mi cámara instantánea de película que llevo conmigo para uso esporádico. Aunque nada supera a mi cámara réflex en potencia y comodidad, la cámara instantánea de película tiene cierta magia. Quizás es que se toman las imágenes en película real o que cada imagen es un artefacto físico único (algo especial en el mundo de hoy de Instagram y Facebook, en el que encontramos imágenes por todas partes). Lo que está claro es que son muy divertidas de utilizar y que a todos se les ilumina la mirada cuando sacas una en una fiesta.

Comprehend Events le permite extraer la estructura de eventos de un documento, en el que sintetiza las páginas de un texto a datos procesados fácilmente para el consumo por aplicaciones de IA o herramientas de visualización de gráficos. Esta API le permite responder a las preguntas “quién”, “qué”, “cuándo” y “dónde” en grandes conjuntos de documentos, a escala y sin experiencia previa en NLP. Use Comprehend Events para extraer detalles pormenorizados sobre eventos reales y entidades asociadas expresadas en texto sin estructurar. Consulte la página de documentación para obtener más información. 

La API de detección de idioma identifica automáticamente texto escrito en más de 100 idiomas y devuelve el idioma dominante con una puntuación de confianza para respaldar que un idioma es dominante. Consulte la página de documentación para obtener más información.

Ejemplo: en este ejemplo, la API analiza el texto y es capaz de identificar que el idioma dominante del texto es el italiano, y produce además una puntuación de confianza.

Texto de muestra: Amazon Elastic Compute Cloud (Amazon EC2) è un servizio Web che fornisce capacità di elaborazione sicura e scalabile nel cloud. È concepito per rendere più semplice il cloud computing su scala Web per gli sviluppatori.

La API de sintaxis de Amazon Comprehend permite a los clientes analizar texto con tokenización y categorías gramaticales, e identificar etiquetas y límites de palabras, como sustantivos y adjetivos, dentro del texto. Consulte la página de documentación para obtener más información.

Ejemplo: en este ejemplo, analizaremos un documento breve con la API Syntax de Comprehend. La API de sintaxis tokeniza (define los límites de las palabras) el texto y etiqueta cada palabra con su categoría gramatical correspondiente, por ejemplo, sustantivo y verbo. Además de marcar el inicio y el fin (para que sepa dónde se encuentra la palabra dentro del texto), también se ofrece una puntuación de confianza.

Ejemplo de muestra: ¡Me encanta mi flamante y ágil Kindle Fire!

La creación de modelos de temas identifica términos o temas relevantes a partir de un conjunto de documentos almacenados en Amazon S3. Identifica los temas más comunes del conjunto y los organiza en grupos. A continuación, identifica qué documentos pertenecen a qué tema. Consulte la página de documentación para obtener más información.

Ejemplo: si sus documentos (Doc1.txt, Doc2.txt, Doc3.txt y Doc4.txt) están almacenados en Amazon S3 y hace que Amazon Comprehend apunte a su ubicación, Comprehend los analizará y producirá dos vistas:

1. Agrupación de palabras clave que son temas

Cada grupo de palabras clave está asociado con un grupo de temas. El peso se refiere a la prevalencia de esa palabra clave en el grupo. Las palabras clave con el peso que más se acerca a 1 son las que más indican el contexto del grupo del tema.

Cada grupo de palabras clave está asociado con un grupo de temas. El peso se refiere a la prevalencia de esa palabra clave en el grupo. Las palabras clave con el peso que más se acerca a 1 son las que más indican el contexto del grupo del tema.

Cada documento se asigna a un grupo de tema en función de la proporción de las palabras clave ponderadas del grupo del tema presentes en el documento.

Amazon Comprehend puede realizar análisis de texto en alemán, inglés, español, italiano, portugués, francés, japonés, coreano, hindi, árabe, chino (simplificado) y chino (tradicional). Para crear aplicaciones en otros idiomas, los clientes pueden usar Amazon Translate para traducir el texto a un idioma compatible con Amazon Comprehend y, a continuación, usar Amazon Comprehend para analizar textos. Para obtener más información sobre la compatibilidad de idiomas, consulte la página de documentación.