Named Entity Recognition (NER)

Adlandırılmış Varlık Tanıma (Named Entity Recognition - NER), yapısız metin içindeki temel bilgileri tanımlama ve sınıflandırmayı içeren Doğal Dil İşleme (NLP) temel bir alt görevidir. Tipik bir iş akışında, bir NER modeli bir belgeyi tarayarak "varlıkları" (gerçek dünyadaki nesneleri temsil eden belirli kelimeleri veya ifadeleri) bulur ve bunları insan isimleri, kuruluşlar, konumlar, tarihler veya tıbbi kodlar gibi önceden tanımlanmış kategorilere atar. Bu süreç, e-postalar, müşteri incelemeleri ve haber makaleleri gibi hammadde halindeki yapısız verileri makinelerin işleyip analiz edebileceği yapılandırılmış biçimlere dönüştürmek için hayati önem taşır. Bir metnin "kim, ne ve nerede" sorularını yanıtlayarak NER, Yapay Zeka (AI) sistemlerinin devasa miktardaki bilgiden otomatik olarak anlamlı içgörüler çıkarmasını sağlar.

NER Nasıl Çalışır#

Modern NER sistemleri, bir kelimenin etrafındaki bağlamı anlamak için gelişmiş istatistiksel modellerden ve Derin Öğrenme (DL) tekniklerinden yararlanır. Süreç, bir cümlenin token adı verilen bireysel birimlere ayrıldığı tokenizasyon ile başlar. Transformer gibi gelişmiş mimariler, kullanım biçimlerine göre anlamlarını belirlemek için bu tokenler arasındaki ilişkileri analiz eder.

"Apple" kelimesi, örneğin, cümleye bağlı olarak bir meyveyi veya bir teknoloji şirketini ifade edebilir. Öz-dikkat (self-attention) gibi mekanizmalar aracılığıyla bir NER modeli, "Apple yeni bir telefon çıkardı" ifadesinin bir Kuruluşa atıfta bulunduğunu, "Bir elma yedim" ifadesinin ise genel bir nesneyi belirttiğini ayırt eder. Bu modellerin performansı büyük ölçüde yüksek kaliteli eğitim verilerine ve hassas veri etiketlemeye dayanır. Çok modlu uygulamalarda NER, verileri işlemeden önce görsellerden metin çıkarmak için sıklıkla Optik Karakter Tanıma (OCR) ile eşleştirilir.

Gerçek Dünya Uygulamaları#

NER, çeşitli endüstrilerde kullanılan birçok akıllı otomasyon aracı için temel bir teknolojidir.

• Sağlıkta Yapay Zeka: Tıbbi kurumlar, elektronik sağlık kayıtlarındaki kritik verileri taramak için NER kullanır. Araştırmacılar, klinik notlardan semptomlar, ilaç adları ve dozajlar gibi varlıkları çıkararak ilaç keşfini hızlandırabilir ve hasta bakımını iyileştirebilir.
• Akıllı Müşteri Desteği: Şirketler, müşteri şikayetlerini otomatik olarak sınıflandırmak için NER ile donatılmış sohbet botları (chatbots) kullanır. Bir kullanıcı "Dizüstü bilgisayarımın ekranı kırıldı" mesajını gönderirse sistem, "dizüstü bilgisayarı" bir Ürün ve "ekran kırık" ifadesini Kusur olarak tanımlayarak talebi derhal teknik destek ekibine yönlendirir.
• İçerik Önerisi: Yayın akışı hizmetleri ve haber derleyicileri, içeriği ilgili varlıklarla (ör. aktörler, türler, konumlar) etiketlemek için NER kullanır. Öneri sistemleri, bir kullanıcının ilgi alanlarıyla eşleşen yeni filmleri veya makaleleri önermek için bu etiketleri kullanır.
• Finansal Analiz: Yatırım firmaları, her gün binlerce finansal raporu ve haber makalesini taramak için NER'den yararlanır. Şirket adlarını ve parasal değerleri çıkararak piyasa trendlerini tahmin etmek için tahmine dayalı modelleme gerçekleştirebilirler.

NER'i İlgili Kavramlardan Ayırmak#

Bir yapay zeka hattındaki özel rolünü anlamak için NER'i diğer yorumlama görevlerinden ayırmak faydalıdır.

• Nesne Tespiti: NER metindeki varlıkları tanımlarken, nesne tespiti görsellerdeki varlıkları tanımlar. Örneğin, YOLO26 gibi görsel bir model video akışlarındaki araçları ve yaya akışlarını tespit ederken, NER yazılı raporlarda "Ford" ve "sürücü" ifadelerini tespit eder. Her iki görevin amacı da ilgili veri modaliteleri içindeki ilgi çekici öğeleri yerelleştirmek ve sınıflandırmaktır.
• Duygu Analizi: Bu görev bir metnin duygusal tonunu (pozitif, negatif veya nötr) belirler. NER neyin tartışıldığını çıkarırken (ör. "iPhone 16"), duygu analizi kullanıcının bu konuda nasıl hissettiğini belirler (ör. "harika").
• Doğal Dil Anlama (NLU): NLU, makine okuduğunu anlama için daha geniş bir çatı terimdir. NER, kullanıcının girdisinin anlamını tam olarak kavramak için genellikle niyet sınıflandırmasıyla birlikte çalışan NLU'nun belirli bir bileşenidir.
• Anahtar Kelime Çıkarımı: Kelimeleri anlamsal kategorilere (örneğin, Kişi, Tarih) göre sınıflandıran NER'den farklı olarak, anahtar kelime çıkarımı, varlık türlerini anlamadan bir belgedeki en sık veya ilgili terimleri basitçe tanımlar.

NER'i Bilgisayarlı Görü ile Birleştirme#

Metin ve vizyonun yakınsaması, Çok Modlu Öğrenme alanında büyüyen bir trenddir. YOLO-World gibi modeller, nesne tespitine rehberlik etmek için metin istemlerini kullanarak bu boşluğu kapatır. Bu iş akışında metin kodlayıcı, ilgili görsel nesneleri bulmak için kullanıcı tarafından sağlanan sınıf adlarının (varlıkların) anlamsal anlamını yorumlayarak bir NER sistemine benzer şekilde hareket eder.

Aşağıdaki Python örneği, özel metin açıklamalarına dayalı olarak nesneleri tespit etmek için ultralytics kütüphanesinin nasıl kullanılacağını gösterir ve doğal dil varlıklarını görsel verilerle etkili bir şekilde birbirine bağlar.

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 uygulamak için güçlü bir araç ekosistemine erişebilir. spaCy ve NLTK gibi popüler açık kaynaklı kütüphaneler hemen kullanım için ön eğitilmiş işlem hatları sağlar. Kurumsal ölçekli uygulamalar için Google Cloud Natural Language gibi bulut hizmetleri, talep ile birlikte ölçeklenen yönetilen API'ler sunar.

İster metin ister vizyon olsun, bu yapay zeka modellerinin 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 durum, yapay zeka projelerinin ölçeklenebilir ve üretime hazır kalmasını sağlayarak son teknoloji performans için YOLO26 gibi modellerin sürekli gelişimini destekler.