Reconnaissance des entités nommées (NER)

La reconnaissance des entités nommées (NER) est une tâche fondamentale du traitement du langage naturel (NLP) qui consiste à identifier et à classer automatiquement dans des catégories prédéfinies des entités nommées dans un texte non structuré. Ces entités peuvent être n'importe quel objet du monde réel, comme des personnes, des organisations, des lieux, des dates, des quantités ou des valeurs monétaires. L'objectif premier de la NER est d'extraire des informations structurées d'un texte non structuré, afin de faciliter la compréhension et le traitement du langage humain par les machines. En transformant un texte brut en un format lisible par une machine, la NER sert d'étape fondamentale pour de nombreuses applications d'IA de niveau supérieur, notamment la recherche d'informations, la réponse à des questions et l'analyse de contenu.

Les systèmes modernes de NER sont généralement construits à l'aide de modèles d'apprentissage automatique, en particulier des architectures d'apprentissage profond. Ces modèles sont entraînés sur de grands ensembles de données annotées où des humains ont déjà étiqueté les entités. Grâce à ces données d'entraînement, le modèle apprend à reconnaître les modèles contextuels et les caractéristiques linguistiques associés aux différents types d'entités. Les modèles avancés tels que BERT et d'autres architectures basées sur des transformateurs sont très efficaces pour la NER car ils peuvent traiter l'ensemble du contexte d'une phrase pour faire des prédictions précises.

Applications dans le monde réel

Le NER est une technologie de base qui alimente de nombreuses applications dans divers secteurs d'activité. En structurant l'information, elle permet l'automatisation et fournit des informations précieuses.

• Recommandation et recherche de contenu : Les fournisseurs d'informations et les plateformes de contenu utilisent la NER pour analyser les articles, identifier les personnes, les lieux et les sujets clés, puis étiqueter le contenu en conséquence. Cela permet d'améliorer la pertinence des résultats de recherche et d'alimenter les moteurs de recommandation de contenu personnalisé. Par exemple, un système peut identifier "Apple Inc." en tant qu'organisation et "Tim Cook" en tant que personne, et relier les articles sur les deux. Il s'agit d'un élément clé de l'amélioration des capacités de recherche sémantique.
• L'IA dans les soins de santé : Dans le domaine médical, la NER est utilisée pour extraire des informations essentielles des notes cliniques, des documents de recherche et des dossiers des patients. Elle permet d'identifier les noms des patients, les maladies, les symptômes, les médicaments et les dosages. Ces données structurées sont essentielles pour accélérer l'analyse des images médicales, rationaliser l'appariement des essais cliniques et créer des graphes de connaissances complets pour la recherche médicale.
• Automatisation du support client : Les chatbots et les systèmes d'assistance utilisent la NER pour comprendre plus efficacement les requêtes des utilisateurs. Par exemple, dans la phrase "L'écran de mon iPhone 15 est fissuré", un modèle NER identifierait "iPhone 15" comme un produit et "écran fissuré" comme un problème. Cela permet au système de classer automatiquement le ticket et de l'acheminer vers le bon service d'assistance, ce qui améliore l'efficacité.

NER et concepts apparentés

Le NER est souvent utilisé parallèlement à d'autres tâches NLP, mais il a un objectif distinct :

• Analyse des sentiments: Détermine le ton émotionnel (positif, négatif, neutre) exprimé dans un texte. La NER identifie ce qui est discuté, tandis que l'analyse de sentiment identifie les sentiments de l'auteur à ce sujet.
• Extraction de mots-clés : Cette tâche permet d'identifier les termes ou les phrases importants dans un texte. Bien que certains mots-clés puissent être des entités nommées, l'extraction de mots-clés est plus large et moins structurée. Le NER identifie spécifiquement les entités et les classe dans des catégories prédéfinies telles que PERSON ou LOCATION. Pour en savoir plus, consultez le site sources sur l'extraction de mots-clés.
• Détection d'objets: Il s'agit d'une tâche de vision par ordinateur qui identifie et localise les objets dans les images à l'aide de techniques telles que les boîtes de délimitation. Le NER fonctionne uniquement sur des données textuelles, tandis que des modèles comme Ultralytics YOLO effectuent la détection sur des données visuelles pour diverses tâches de détection.
• Compréhension du langage naturel (NLU): Un domaine plus large englobant la compréhension globale du sens du texte, y compris la reconnaissance de l'intention et l'extraction de relations. La NER est considérée comme une sous-tâche spécifique au sein de la NLU, axée uniquement sur l'identification et la classification des entités.
• Résumé de texte: Il s'agit de créer un résumé concis d'un long document. Bien qu'il puisse utiliser la NER pour identifier les entités clés à inclure dans le résumé, son objectif principal est la condensation et non l'extraction.

Outils et plateformes

Un solide écosystème d'outils et de bibliothèques soutient le développement de modèles NER.

• Bibliothèques : Les bibliothèques libres telles que spaCy et NLTK sont largement utilisées et fournissent des modèles pré-entraînés et des outils pour construire des systèmes NER personnalisés. Ces bibliothèques gèrent des tâches complexes telles que la tokenisation et l'extraction de caractéristiques.
• Plateformes : Le Hugging Face Hub offre des milliers de modèles pré-entraînés, dont beaucoup pour le NER, qui peuvent être affinés pour des cas d'utilisation spécifiques. Pour gérer le cycle de vie du modèle de bout en bout, des plateformes comme Ultralytics HUB offrent de solides capacités MLOps, de l'entraînement et de la validation au déploiement final du modèle. Bien qu'Ultralytics se spécialise dans le CV, les principes de MLOps sont universels dans tous les domaines de l'IA. Vous trouverez plus de détails dans notre documentation.