La clasificación automática de texto ya es una realidad concreta en la industria de Oil & Gas. En 7Puentes desarrollamos un clasificador de observaciones de seguridad para un cliente del sector que recibe, todos los meses, cientos de miles de reportes escritos por sus empleados en distintas plantas y yacimientos.
En esta nota contamos cómo funciona el proyecto, qué metodología usamos para construirlo y qué beneficios concretos le dejó al área de seguridad y al equipo de datos del cliente.
Puntos clave:
- La clasificación automática de texto permite procesar cientos de miles de observaciones de seguridad por mes, algo imposible de escalar solo con equipos humanos.
- 7Puentes combinó modelos BERT, Embedding Classifier y LLM, eligiendo el más adecuado según el caso mediante testeo A/B.
- El proyecto se construyó bajo metodología MLOps, lo que redujo los tiempos de ingesta de datos, entrenamiento y entrega.
- Según Ernst & Young, el 92% de las empresas de Oil & Gas ya invierte o planea invertir en IA en los próximos años.
Qué es la clasificación automática de texto
La clasificación automática de texto es el proceso mediante el cual un modelo de inteligencia artificial asigna una categoría o etiqueta a un texto escrito, sin que una persona tenga que leerlo y decidir manualmente.
En el caso de Oil & Gas, la aplicación más directa es tomar observaciones de seguridad redactadas por empleados —por ejemplo, un elemento de protección faltante o un cartel de señalización roto— y clasificarlas automáticamente según su tipo o nivel de riesgo.
Esto libera al equipo de expertos en seguridad de una tarea manual, repetitiva y difícil de escalar, y estandariza el criterio con el que se evalúa cada observación. Si te interesa el enfoque conversacional del mismo dominio, en 7Puentes también desarrollamos un agente conversacional para EHS con un objetivo similar: apoyar al equipo de seguridad industrial con inteligencia artificial.
Por qué la industria de Oil & Gas necesita clasificación automática de texto
El cliente que nos contrató recibe observaciones de seguridad de empleados en distintas áreas todos los días. Antes de automatizar este proceso, el equipo de expertos se enfrentaba a dos problemas centrales.
Por un lado, el volumen de observaciones —cientos de miles por mes— hacía que fuera imposible clasificarlas todas a mano, y ampliar el equipo humano no era una alternativa escalable ni rentable. Por otro lado, distintos expertos podían tener criterios diferentes frente a una misma observación, lo que generaba inconsistencias en cómo se priorizaban los riesgos. La clasificación automática de texto resuelve ambos problemas a la vez: procesa el volumen completo y aplica un criterio uniforme.
El respaldo de los datos: la industria ya apuesta por la IA
Según una encuesta de Ernst & Young, el 92% de las empresas de Oil & Gas en el mundo ya está invirtiendo o planea invertir en inteligencia artificial en los próximos años (EY, Applying AI in oil and gas). Además, la mitad de los ejecutivos del sector afirma estar usando IA para resolver desafíos dentro de su organización. Este contexto explica por qué cada vez más compañías del sector buscan soluciones de inteligencia artificial para Oil & Gas orientadas a seguridad y mantenimiento predictivo.
Cómo construimos el proyecto de clasificación automática de texto
Para este desarrollo, en 7Puentes aplicamos la metodología de MLOps para construir modelos confiables, que estandariza el ciclo completo de trabajo con modelos de machine learning: desarrollo, testeo, integración, despliegue y gestión de infraestructura.
El proyecto se organizó en los siguientes pasos:
- Creación del proyecto.
Cada proyecto agrupa los archivos y modelos vinculados a un caso puntual, lo que le da contexto adicional al modelo para entender mejor el problema a resolver. - Carga y preprocesamiento del dataset.
Se cargan los datos en formatos tabulares como csv, y se categorizan las variables, se limpian valores faltantes y se seleccionan las variables de entrada al modelo. - Selección del target.
Se define la variable objetivo, es decir, el resultado que el modelo de clasificación automática de texto debe predecir. - Entrenamiento del modelo.
Con el dataset ya preparado, se elige entre distintos modelos disponibles en la plataforma, un proceso que puede tomar desde minutos hasta varios días según el volumen de datos. - Monitoreo y predicciones.
El usuario puede ver el estado de cada modelo entrenado y generar predicciones sobre nuevas observaciones a medida que llegan.
El desarrollo puede usarse para cualquier tipo de observación de seguridad, gracias a testeos A/B entre distintas técnicas de lenguaje. El equipo de 7Puentes combinó modelos BERT, Embedding Classifier y LLM para encontrar, en cada caso, la técnica más eficiente.
Los beneficios de la clasificación automática de texto para el negocio
El proyecto de clasificación automática de texto le dejó beneficios concretos a dos áreas del cliente. El área de seguridad ahora puede reducir accidentes e irregularidades a partir del conocimiento que surge de clasificar todas las observaciones, no solo una muestra. El área de Data Science, por su parte, centralizó los modelos entrenados en un solo repositorio, donde puede comparar versiones, actualizar el modelo en producción con pocos clics y reentrenarlo con datos nuevos.
Además, ya no hace falta contar con conocimientos avanzados de ciencia de datos para entrenar un clasificador de observaciones de seguridad: la tarea quedó completamente democratizada dentro de la organización. Si tu empresa evalúa sumar mantenimiento predictivo al mismo proyecto, podés conocer nuestra solución de mantenimiento predictivo con IA.
Preguntas frecuentes
¿Qué es la clasificación automática de texto en Oil & Gas?
Es el uso de modelos de inteligencia artificial para asignar automáticamente una categoría a observaciones de seguridad u otros textos escritos por empleados, sin que un experto tenga que leer y clasificar cada uno manualmente.
¿Qué modelos se usan para clasificar texto automáticamente?
En este proyecto, 7Puentes combinó modelos BERT, Embedding Classifier y LLM, y eligió la técnica más adecuada para cada caso mediante testeo A/B, dentro de un proceso de clasificación automática de texto guiado por metodología MLOps.
¿Qué beneficios trae automatizar la clasificación de observaciones de seguridad?
Permite procesar todo el volumen de observaciones —no solo una muestra—, reduce accidentes e irregularidades, centraliza los modelos entrenados en un repositorio único y democratiza el entrenamiento de modelos dentro del equipo de datos.
¿Tu empresa recibe grandes volúmenes de texto que hoy se clasifican a mano? Contanos tu caso.
Contact
