Tema: Interpretación de Comandos en Español hacia JSON para Control de Invernadero Simulado

Autores:

• Carlos César Sánchez Coronel

• Freud Enrique Melgar Aliaga

Resumen:

Controlar un invernadero por órdenes en lenguaje natural exige convertir texto ambiguo en comandos ejecutables de forma fiable. Proponemos un invernadero simulado donde la orden en español se traduce a JSON tipado, se valida en un pipeline de cuatro etapas y se ejecuta en un modelo de caja gris. Como extractor neuronal principal usamos Qwen2.5-1.5B-Instruct adaptado con QLoRA sobre 617 ejemplos sintéticos, frente a un baseline por expresiones regulares (regex). Como contraste de la shortlist, repetimos el mismo protocolo sobre SmolLM2-1.7B-Instruct. Evaluamos regex y SLM sobre el mismo banco de 100 frases, estratificado por acción y por dificultad (60 limpio / 40 ruido), con anti-leakage respecto al train. La métrica
principal es la coincidencia exacta de acción y parámetros en el JSON. El SLM Qwen alcanza 93 % de acierto estricto frente a 87 % del regex (99 % vs. 92 % en JSON válido); en ruido, 85 % frente a 75 %. El Instruct base de Qwen sin adapter queda en 58 % estricto (+35 pp con QLoRA). SmolLM2, bajo el mismo protocolo, pasa de 3 % a 80 % estricto y no supera a Qwen ni al regex. El alcance de la evaluación es la conversión de texto a JSON sobre ese banco.

Palabras clave:

Procesamiento de lenguaje natural, invernade-ro, simulación de caja gris, pipeline de interpretación, JSON,benchmark, fine-tuning, QLoRA.