Contenido creado por Laura Meléndez
Software y Hardware

Navegar es preciso

Crean software libre para procesar un "mar" de datos

Investigadores de la Universidad de Santiago de Compostela crearon un software libre que acelera el procesamiento de textos y documentos publicados en la web. Su nombre es Perldoop, y permite el análisis de los datos de una forma más sencilla y eficiente.

27.11.2014 10:19

Lectura: 3'

2014-11-27T10:19:00-03:00
Compartir en

Se estima que en sólo 24 horas generamos aproximadamente 2,5 trillones de bytes, algo así como unos 27 GB por segundo (algo así como una temporada completa de una serie en HD). De hecho, el 90% de los datos disponibles actualmente en todo el mundo fueron creados en los dos últimos años.

De esta enorme cantidad de datos (agrupados bajo el anglicismo Big Data), sólo el 5% se puede considerar información estructurada; el 95% restante (que está compuesto por textos, principalmente) no cuenta con ningún tipo de organización ni estructura, lo que representa un serio problema a la hora de acceder y gestionar toda la información disponible. Para ayudar a organizar ese "mar" de datos, un equipo de investigadores del Centro Singular de Investigación en Tecnoloxías da Información (CiTIUS), formado por expertos en las áreas de Computación de Altas Prestaciones (HPC) y Procesamiento de Lenguaje Natural (PLN) de la Universidad Santiago de Compostela, desarrolló una herramienta que permite adaptar automáticamente aplicaciones utilizadas en el ámbito del procesamiento de textos y documentos a modelos de computación, lo que reducirá notablemente los tiempos de ejecución y permitirá trabajar con volúmenes de datos muy superiores a los que se manejan en la actualidad.

Según informa la Agencia Sinc, los resultados obtenidos harán posible el análisis de los datos de una forma más sencilla y eficiente. Su propuesta está basada en el diseño de un nuevo sistema que permite transformar el software usado para el "procesamiento del lenguaje natural" (PLN, habitualmente programado en el lenguaje informático Perl, y ejecutado de manera secuencial) en una solución compatible con las tecnologías Big Data.
Con sólo introducir unas etiquetas en la aplicación original, esta herramienta de traducción permite al programador convertir automáticamente todo su código Perl en código Java adaptado al denominado paradigma MapReduce (modelo de programación utilizado por Google para dar soporte a la computación paralela sobre grandes colecciones de datos), habilitándolo así para su ejecución en un clúster, es decir, permitiendo su ejecución simultánea en múltiples cores o nodos de computación.

De esta forma, se logra multiplicar la velocidad de cómputo por un factor proporcional al número de procesadores disponibles (por ejemplo: si se dispone de 1.000 procesadores, el código resultante será, en el caso ideal, aproximadamente mil veces más eficiente que la solución secuencial).

Perldoop para todos

Otra característica de esta investigación, que dio lugar a la herramienta de traducción Perldoop, es que los resultados se hicieron públicos bajo una licencia de software libre, con el objetivo de que esté a disposición del mayor número posible de usuarios y profesionales. Como explica el profesor Juan Carlos Pichel, investigador principal y responsable del proyecto, la decisión se tomó porque "el desarrollo de soluciones Big Data para el PLN sólo está, en este momento, al alcance de las compañías más potentes". Con la solución propuesta, y unos conocimientos mínimos de programación, será posible convertir cualquier código programado en lenguaje Perl a una solución capaz de funcionar en un clúster de computación.

Entre las principales ventajas de esta nueva solución destaca especialmente su versatilidad, ya que se trata de una herramienta de propósito general; gracias a ello, podrán beneficiarse aplicaciones de ámbitos tan diversos como la traducción automática, el análisis de información en blogs, o incluso el procesamiento de datos genéticos.