Named Entity Recognition (NER) (Erkennung benannter Entitäten)

Die Erkennung benannter Entitäten (Named Entity Recognition, NER) ist eine grundlegende Aufgabe in der natürlichen Sprachverarbeitung (NLP), bei der benannte Entitäten in unstrukturiertem Text automatisch identifiziert und in vordefinierte Kategorien klassifiziert werden. Diese Entitäten können beliebige Objekte der realen Welt sein, wie z. B. Personen, Organisationen, Orte, Daten, Mengen oder Geldwerte. Das Hauptziel von NER ist die Extraktion strukturierter Informationen aus unstrukturiertem Text, um es Maschinen zu erleichtern, die menschliche Sprache zu verstehen und zu verarbeiten. Durch die Umwandlung von Rohtext in ein maschinenlesbares Format dient NER als grundlegender Schritt für viele übergeordnete KI-Anwendungen, einschließlich Informationsabruf, Frage-Antwort-Systeme und Inhaltsanalyse.

Moderne NER-Systeme werden typischerweise mit Machine-Learning-Modellen, insbesondere Deep-Learning-Architekturen, erstellt. Diese Modelle werden auf großen, annotierten Datensätzen trainiert, in denen Menschen die Entitäten bereits gekennzeichnet haben. Durch diese Trainingsdaten lernt das Modell, die kontextuellen Muster und sprachlichen Merkmale zu erkennen, die mit verschiedenen Entitätstypen verbunden sind. Fortschrittliche Modelle wie BERT und andere Transformer-basierte Architekturen sind bei NER sehr effektiv, da sie den gesamten Kontext eines Satzes verarbeiten können, um genaue Vorhersagen zu treffen.

Anwendungsfälle in der Praxis

NER ist eine grundlegende Technologie, die zahlreiche Anwendungen in verschiedenen Branchen ermöglicht. Durch die Strukturierung von Informationen ermöglicht sie Automatisierung und liefert wertvolle Einblicke.

• Inhaltsempfehlung und Suche: Nachrichtenanbieter und Content-Plattformen verwenden NER, um Artikel zu scannen, wichtige Personen, Orte und Themen zu identifizieren und den Content entsprechend zu taggen. Dies verbessert die Relevanz der Suchergebnisse und ermöglicht personalisierte Content-Empfehlungs-Engines. Beispielsweise kann ein System "Apple Inc." als Organisation und "Tim Cook" als Person identifizieren und Artikel über beide verknüpfen. Dies ist eine Schlüsselkomponente zur Verbesserung der semantischen Suchfunktionen.
• KI im Gesundheitswesen: Im medizinischen Bereich wird NER verwendet, um kritische Informationen aus klinischen Notizen, Forschungsarbeiten und Patientenakten zu extrahieren. Es kann Patientennamen, Krankheiten, Symptome, Medikamente und Dosierungen identifizieren. Diese strukturierten Daten sind entscheidend für die Beschleunigung der medizinischen Bildanalyse, die Rationalisierung der klinischen Studienzuordnung und den Aufbau umfassender Knowledge Graphs für die medizinische Forschung.
• Automatisierung des Kundensupports: Chatbots und Supportsysteme verwenden NER, um Benutzeranfragen effektiver zu verstehen. Beispielsweise würde ein NER-Modell im Satz "Mein iPhone 15-Bildschirm ist gesprungen" "iPhone 15" als Produkt und "gesprungenen Bildschirm" als Problem identifizieren. Dies ermöglicht es dem System, das Ticket automatisch zu kategorisieren und an die richtige Supportabteilung weiterzuleiten, was die Effizienz verbessert.

NER im Vergleich zu verwandten Konzepten

NER wird oft zusammen mit anderen NLP-Aufgaben verwendet, hat aber einen deutlichen Fokus:

• Sentimentanalyse: Bestimmt den emotionalen Ton (positiv, negativ, neutral), der in Texten ausgedrückt wird. NER identifiziert, was diskutiert wird, während die Sentimentanalyse identifiziert, wie der Autor darüber denkt.
• Keyword-Extraktion: Diese Aufgabe identifiziert wichtige Begriffe oder Phrasen in einem Text. Während einige Schlüsselwörter benannte Entitäten sein können, ist die Schlüsselwortextraktion breiter gefasst und weniger strukturiert. NER identifiziert spezifisch Entitäten und klassifiziert sie in vordefinierte Kategorien wie PERSON oder LOCATION. Mehr darüber erfahren Sie unter Quellen zur Keyword-Extraktion.
• Objekterkennung: Dies ist eine Aufgabe der Computer Vision (CV), die Objekte innerhalb von Bildern mithilfe von Techniken wie Bounding Boxes identifiziert und lokalisiert. NER arbeitet rein auf Textdaten, während Modelle wie Ultralytics YOLO die Erkennung auf visuellen Daten für verschiedene Erkennungsaufgaben durchführen.
• Natural Language Understanding (NLU): Ein breiteres Feld, das das Gesamtverständnis der Textbedeutung umfasst, einschließlich Absichtserkennung und Beziehungsextraktion. NER gilt als eine spezifische Teilaufgabe innerhalb von NLU, die sich ausschließlich auf die Identifizierung und Klassifizierung von Entitäten konzentriert.
• Textzusammenfassung: Dies zielt darauf ab, eine prägnante Zusammenfassung eines langen Dokuments zu erstellen. Es kann zwar NER verwenden, um wichtige Entitäten zu identifizieren, die in die Zusammenfassung aufgenommen werden sollen, aber das Hauptziel ist die Verdichtung, nicht die Extraktion.

Tools und Plattformen

Ein robustes Ökosystem von Tools und Bibliotheken unterstützt die Entwicklung von NER-Modellen.

• Bibliotheken: Open-Source-Bibliotheken wie spaCy und NLTK sind weit verbreitet und bieten vortrainierte Modelle und Tools zum Erstellen benutzerdefinierter NER-Systeme. Diese Bibliotheken übernehmen komplexe Aufgaben wie Tokenisierung und Feature-Extraktion.
• Plattformen: Der Hugging Face Hub bietet Tausende von vortrainierten Modellen, darunter viele für NER, die für spezifische Anwendungsfälle feinabgestimmt werden können. Für die Verwaltung des End-to-End-Modelllebenszyklus bieten Plattformen wie Ultralytics HUB robuste MLOps-Funktionen, vom Training und der Validierung bis hin zur endgültigen Modellbereitstellung. Während sich Ultralytics auf CV spezialisiert hat, sind die Prinzipien von MLOps in allen KI-Bereichen universell. Weitere Details finden Sie in unserer Dokumentation.