Named Entity Recognition (NER)

Adlandırılmış Varlık Tanıma (NER), yapılandırılmamış metin içindeki temel bilgileri belirlemeyi ve sınıflandırmayı içeren Doğal Dil İşleme (NLP) alanının temel alt görevlerinden biridir. Tipik bir iş akışında NER modeli, bir belgeyi tarayarak gerçek dünyadaki nesneleri temsil eden belirli kelime veya kelime öbekleri olan "varlıkları" bulur ve bunları kişi adları, kuruluşlar, konumlar, tarihler veya tıbbi kodlar gibi önceden tanımlanmış kategorilere atar. Bu süreç; e-postalar, müşteri yorumları ve haber makaleleri gibi ham, yapılandırılmamış verileri makinelerin işleyip analiz edebileceği yapılandırılmış biçimlere dönüştürmek için gereklidir. NER, bir metindeki "kim, ne ve nerede" sorularını yanıtlayarak Yapay Zeka (AI) sistemlerinin büyük miktardaki bilgiden anlamlı içgörüleri otomatik olarak çıkarmasını sağlar.

NER Nasıl Çalışır?#

Modern NER sistemleri, bir kelimenin çevresindeki bağlamı anlamak için gelişmiş istatistiksel modellerden ve Derin Öğrenme (DL) tekniklerinden yararlanır. Süreç, bir cümlenin belirteç adı verilen ayrı birimlere ayrıldığı belirteçleştirme ile başlar. Transformer gibi gelişmiş mimariler, kullanımına göre anlamını belirlemek için bu belirteçler arasındaki ilişkileri analiz eder.

Örneğin, "Apple" kelimesi cümleye bağlı olarak bir meyveyi veya bir teknoloji şirketini ifade edebilir. Öz-dikkat gibi mekanizmalar sayesinde NER modeli, "Apple released a new phone" ifadesinin bir Kuruluşa, "I ate an apple" ifadesinin ise genel bir nesneye karşılık geldiğini ayırt eder. Bu modellerin performansı büyük ölçüde yüksek kaliteli eğitim verilerine ve hassas veri açıklamasına bağlıdır. Çok modlu uygulamalarda NER, metni işlemeden önce görüntülerden çıkarmak için genellikle Optik Karakter Tanıma (OCR) ile birlikte kullanılır.

Gerçek Dünya Uygulamaları#

NER, çeşitli sektörlerde kullanılan birçok akıllı otomasyon aracının temelini oluşturan bir teknolojidir.

• Sağlık Hizmetlerinde Yapay Zeka: Tıp kurumları, kritik verileri çıkarmak için elektronik sağlık kayıtlarını NER ile tarar. Araştırmacılar, klinik notlardan semptomlar, ilaç adları ve dozlar gibi varlıkları çıkararak ilaç keşfini hızlandırabilir ve hasta bakımını iyileştirebilir.
• Akıllı Müşteri Desteği: Şirketler, müşteri şikayetlerini otomatik olarak sınıflandırmak için NER ile donatılmış sohbet robotlarını kullanır. Bir kullanıcı, "My laptop screen is broken" şeklinde mesaj gönderirse sistem, "laptop" ifadesini Ürün, "screen is broken" ifadesini ise Kusur olarak tanımlar ve bileti hemen teknik destek ekibine yönlendirir.
• İçerik Önerisi: Yayın hizmetleri ve haber toplayıcıları, içerikleri ilgili varlıklarla (ör. oyuncular, türler, konumlar) etiketlemek için NER kullanır. Öneri sistemleri daha sonra bu etiketleri kullanarak kullanıcının ilgi alanlarıyla eşleşen yeni filmler veya makaleler önerir.
• Finansal Analiz: Yatırım şirketleri, her gün binlerce finansal raporu ve haber makalesini taramak için NER'den yararlanır. Şirket adlarını ve parasal değerleri çıkararak piyasa trendlerini tahmin etmek için öngörücü modelleme gerçekleştirebilirler.

NER'yi İlgili Kavramlardan Ayırt Etme#

Bir yapay zeka işlem hattındaki özgül rolünü anlamak için NER'yi diğer yorumlama görevlerinden ayırmak faydalıdır.

• Nesne Tespiti: NER metindeki varlıkları tanımlarken nesne tespiti görüntülerdeki varlıkları tanımlar. Örneğin YOLO26 gibi bir görsel model, video akışlarındaki arabaları ve yayaları tespit ederken NER, yazılı raporlardaki "Ford" ve "driver" ifadelerini tespit eder. Her iki görev de kendi veri kipleri içindeki ilgi çekici öğeleri konumlandırmayı ve sınıflandırmayı amaçlar.
• Duygu Analizi: Bu görev, bir metnin duygusal tonunu (olumlu, olumsuz veya nötr) belirler. NER, neyin tartışıldığını (ör. "The iPhone 16") çıkarırken duygu analizi kullanıcının bu konu hakkında nasıl hissettiğini (ör. "is amazing") belirler.
• Doğal Dil Anlama (NLU): NLU, makinelerin metinleri anlamasını kapsayan daha geniş bir terimdir. NER, kullanıcının girdisinin anlamını tam olarak kavramak için genellikle amaç sınıflandırmayla birlikte çalışan, NLU'nun belirli bir bileşenidir.
• Anahtar Kelime Çıkarma: Kelimeleri anlamsal kategorilere (ör. Kişi, Tarih) sınıflandıran NER'nin aksine anahtar kelime çıkarma, varlık türlerini anlamadan bir belgedeki en sık geçen veya en alakalı terimleri belirler.

NER'yi Bilgisayarlı Görü ile Birleştirme#

Metin ve görmenin birleşmesi, Çok Modlu Öğrenme alanında giderek yaygınlaşan bir eğilimdir. YOLO-World gibi modeller, nesne tespitini yönlendirmek için metin istemlerini kullanarak bu boşluğu kapatır. Bu iş akışında metin kodlayıcı, kullanıcı tarafından sağlanan sınıf adlarının (varlıkların) anlamsal anlamını yorumlayarak karşılık gelen görsel nesneleri bulması açısından NER sistemine benzer şekilde çalışır.

Aşağıdaki Python örneği, özel metin açıklamalarına dayalı olarak nesneleri tespit etmek ve doğal dil varlıklarını görsel verilere etkili bir şekilde bağlamak için ultralytics kitaplığının nasıl kullanılacağını gösterir.

from ultralytics import YOLOWorld

# Load a YOLO-World model capable of understanding text-based entities
model = YOLOWorld("yolov8s-world.pt")

# Define custom entities to search for in the image
# The model interprets these text strings to identify visual matches
model.set_classes(["red backpack", "person wearing hat", "dog"])

# Run inference on an image to localize these entities
results = model.predict("park_scene.jpg")

# Display the results with bounding boxes around detected entities
results[0].show()

Araçlar ve Uygulama#

Geliştiriciler, NER'yi uygulamak için güçlü bir araç ekosistemine erişebilir. spaCy ve NLTK gibi popüler açık kaynaklı kitaplıklar, hemen kullanılabilecek önceden eğitilmiş işlem hatları sağlar. Kurumsal ölçekli uygulamalar için Google Cloud Natural Language gibi bulut hizmetleri, talebe göre ölçeklenen yönetilen API'ler sunar.

Bu yapay zeka modellerinin (metin veya görme için) yaşam döngüsünü yönetmek verimli operasyonlar gerektirir. Ultralytics Platform, veri kümelerini yönetmek, modelleri eğitmek ve çözümleri dağıtmak için birleşik bir ortam sunarak bu MLOps süreçlerini basitleştirir. Bu sayede yapay zeka projeleri ölçeklenebilir ve üretime hazır kalır; en ileri performans için YOLO26 gibi modellerin sürekli iyileştirilmesi desteklenir.