Esta tarea identificará diferentes herramientas y algoritmos que se pueden utilizar para desarrollar el software necesario con el fin de lograr los objetivos del proyecto. Teniendo en cuenta el estado del arte, analizaremos diferentes bibliotecas de código abierto de lenguajes de programación específicos para el desarrollo y evaluación de máquinas modelos de aprendizaje. En cuanto al machine learning, se analizarán diferentes algoritmos para desarrollar modelos predictivos. Incluyendo por ejemplo, SVM, Random Forest o k-NN. Estos algoritmos se pueden complementar con otros enfoques como, por ejemplo, arquitecturas de deep learning, incluido el fine tuning sobre modelos semi-supervisados o soluciones de aprendizaje de zero-shot. Estos modelos podrían ayudar a desarrollar algoritmos basados en redes neuronales profundas como RNN y LSTM. Para apoyar este tipo de implementación, analizará diferentes librerías como por ejemplo TensorFlow, Pytorch y Keras. Para realizar análisis de texto será necesario utilizar bibliotecas específicas de PLN. Analizaremos diferentes bibliotecas para realizar análisis lingüísticos, admitir diferentes idiomas, proporcionar entidades de reconocimiento de nombre, análisis de sentimientos o vinculación de entidades, entre otras posibilidades. Además, intentaremos incorporar modelos Transformer. Estos modelos proporcionarán representaciones vectoriales densas para palabras en un espacio semántico que se pueda utilizar en aplicaciones PLN posteriores, como clasificación de texto, respuesta a preguntas y reconocimiento de entidades. En los últimos años, el uso de transformadores ha mejorado el rendimiento de muchas tareas de PLN.