💬 Analizador de Feedback con NLP para Seguridad Psicológica

[cite_start]Este proyecto materializa mi enfoque como Líder de IA[cite: 486]: usar la tecnología no para reemplazar, sino para potenciar la humanidad en el trabajo.

[cite_start]Es una API de servicio que utiliza Procesamiento de Lenguaje Natural (NLP) para analizar el feedback de los empleados y detectar patrones que indiquen un riesgo en la seguridad psicológica del equipo, un pilar fundamental para la innovación[cite: 360].

---

🎯 El Problema de Negocio

La mayoría de los líderes solo obtienen feedback "filtrado" de sus equipos. Las encuestas anónimas son valiosas, pero a menudo son un "cajón de sastre" de texto libre que nadie tiene tiempo de analizar en profundidad.

Como resultado, los problemas de cultura, el miedo a hablar y el inicio del burnout son invisibles hasta que es demasiado tarde. Los líderes carecen de un "sistema de alerta temprana" para la salud cultural de sus equipos.

💡 La Solución Técnica

Un microservicio de IA (una API) construido con FastAPI que expone un endpoint /analyze. Este endpoint recibe un bloque de texto anónimo (el feedback) y devuelve un objeto JSON estructurado con dos análisis clave:

1. Análisis de Sentimiento: (Positivo, Negativo, Neutro) para obtener un pulso general.
2. Clasificación de Seguridad Psicológica: Un modelo entrenado (o que usa zero-shot classification) para etiquetar el texto con indicadores de riesgo, como Miedo a Hablar, Cultura de Culpa, Falta de Reconocimiento, etc.

Esto permite a una organización cuantificar lo cualitativo y tomar acciones preventivas.

✨ Características Principales

• API Robusta: Desarrollada con FastAPI para un alto rendimiento y documentación automática (Swagger UI).
• Análisis de Sentimiento: Implementación de un modelo pre-entrenado (ej. de Hugging Face) para una clasificación rápida.
• Clasificación de Riesgo (Seguridad Psicológica): El núcleo del proyecto, un clasificador de NLP para identificar patrones sutiles en el texto.
• Contenerización: Listo para desplegarse como un microservicio usando Docker.

🛠️ Stack Tecnológico

• Lenguaje: Python
• Servidor API: FastAPI, Uvicorn
• Modelado de Datos (API): Pydantic
• NLP (Modelado): Hugging Face Transformers (para modelos pre-entrenados y zero-shot) y/o spaCy (para pipelines más ligeros).
• Despliegue: Docker

📈 Estado del Proyecto

• Fase 1: API y Modelo Baseline (En Progreso)
  • Estructuración del proyecto FastAPI.
  • Definir los modelos Pydantic (Request y Response).
  • Implementar el endpoint /analyze.
  • Integrar un modelo de análisis de sentimiento (baseline).
• Fase 2: Modelo de Seguridad Psicológica
  • Definir las categorías de "riesgo de seguridad".
  • [INVESTIGACIÓN] Probar un modelo Zero-Shot Classification de Transformers.
  • (Opcional) Entrenar un clasificador propio si el zero-shot no es suficiente.
• Fase 3: Despliegue
  • Escribir el Dockerfile de la API.
  • Crear docker-compose.yml para facilitar las pruebas locales.

🚀 Cómo Empezar (Próximamente)

# Instrucciones para clonar y ejecutar el proyecto
git clone [https://github.com/B-GUST/feedback-analyzer.git](https://github.com/B-GUST/feedback-analyzer.git)
cd feedback-analyzer

# (Recomendado) Crear un entorno virtual
python -m venv venv
source venv/bin/activate

pip install -r requirements.txt

# Ejecutar el servidor API
uvicorn main:app --reload