Autores:
- Carlos César Sánchez Coronel
- Freud Enrique Melgar Aliaga
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.