Named Entity Recognition (NER)

İsim Varlığı Tanıma (NER), yapılandırılmamış metin içindeki temel bilgileri tanımlama ve sınıflandırmayı içeren Doğal Dil İşleme (NLP) alanının temel bir alt görevidir. Tipik bir iş akışında, bir NER modeli, gerçek dünyadaki nesneleri temsil eden belirli kelimeleri veya kelime gruplarını, yani "varlıkları" bulmak için bir belgeyi tarar 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 işleyebileceği ve analiz edebileceği yapılandırılmış formatlara dönüştürmek için gereklidir. Bir metindeki "kim, ne ve nerede" sorularını yanıtlayarak, NER, Yapay Zeka (AI) sistemlerinin büyük miktarda bilgiden otomatik olarak anlamlı içgörüler çıkarmasını sağlar.

Link to this sectionNER Nasıl Çalışır#

Modern NER sistemleri, bir kelimeyi çevreleyen bağlamı anlamak için gelişmiş istatistiksel modellerden ve Derin Öğrenme (DL) tekniklerinden yararlanır. Süreç, bir cümlenin token adı verilen bireysel birimlere ayrıldığı tokenlaştırma ile başlar. Ardından Transformer gibi gelişmiş mimariler, kullanımına göre anlamlarını belirlemek için bu tokenlar arasındaki ilişkileri analiz eder.

Örneğin, "Apple" kelimesi cümleye bağlı olarak bir meyveyi veya bir teknoloji şirketini ifade edebilir. Öz-dikkat gibi mekanizmalar aracılığıyla, bir NER modeli "Apple yeni bir telefon çıkardı" ifadesinin bir Kuruluşu, "Bir elma yedim" ifadesinin ise genel bir nesneyi ifade ettiğini ayırt eder. Bu modellerin performansı, büyük ölçüde yüksek kaliteli eğitim verilerine ve hassas veri etiketlemeye bağlıdır. Çok modlu uygulamalarda NER, metni işlemeden önce görüntülerden çıkarmak için genellikle Optik Karakter Tanıma (OCR) ile birlikte kullanılır.

Link to this sectionGerçek Dünya Uygulamaları#

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

• Sağlık Hizmetlerinde YZ: Tıbbi kurumlar, elektronik sağlık kayıtlarını kritik veriler için taramak üzere NER kullanır. Araştırmacılar, klinik notlardan semptomlar, ilaç isimleri 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 robotları kullanır. Eğer bir kullanıcı "Dizüstü bilgisayarımın ekranı kırıldı" diye mesaj gönderirse, sistem "dizüstü bilgisayar"ı bir Ürün, "ekranı kırıldı" ifadesini ise bir Hata olarak tanımlar ve destek talebini hemen teknik destek ekibine yönlendirir.
• İçerik Önerisi: Yayın hizmetleri ve haber toplayıcılar, içeriği ilgili varlıklarla (örneğin, oyuncular, 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 kullanır. Şirket isimlerini ve parasal değerleri çıkararak, pazar eğilimlerini tahmin etmek için tahminleyici modelleme yapabilirler.

Link to this sectionNER'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 görüntülerdeki varlıkları tanımlar. Örneğin, YOLO26 gibi bir görsel model video akışlarındaki arabaları ve yayaları tespit ederken, NER yazılı raporlarda "Ford" ve "sürücü" ifadelerini tespit eder. Her iki görev de ilgili veri modaliteleri içindeki ilgi çekici öğeleri yerelleştirmeyi ve sınıflandırmayı amaçlar.
• Duygu Analizi: Bu görev, bir metnin duygusal tonunu (pozitif, negatif veya nötr) belirler. NER neyin tartışıldığını (örneğin, "iPhone 16") çıkarırken, duygu analizi kullanıcının bu konuda ne hissettiğini (örneğin, "harika") belirler.
• Doğal Dil Anlama (NLU): NLU, makine okuma kavramı için daha geniş bir şemsiye terimdir. NER, kullanıcının girişinin 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.

Link to this sectionNER'i Bilgisayarlı Görü ile Birleştirme#

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

Aşağıdaki Python örneği, doğal dil varlıklarını görsel verilerle etkili bir şekilde ilişkilendirerek özel metin açıklamalarına dayalı nesneleri tespit etmek için ultralytics kütüphanesinin 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()

Link to this sectionAraçlar ve Uygulama#

Geliştiriciler, NER'i uygulamak için sağlam bir araç ekosistemine erişebilirler. spaCy ve NLTK gibi popüler açık kaynaklı kütüphaneler, hemen kullanım için önceden eğitilmiş iş hatları sağlar. Kurumsal ölçekli uygulamalar için, Google Cloud Natural Language gibi bulut hizmetleri, talebe göre ölçeklenen yönetilen API'ler sunar.

Bu yapay zeka modellerinin yaşam döngüsünü yönetmek—metin veya görüntü fark etmeksizin—verimli operasyonlar gerektirir. Ultralytics Platform, veri kümelerini yönetmek, modelleri eğitmek ve çözümleri dağıtmak için birleşik bir ortam sunarak bu MLOps süreçlerini basitleştirir. Bu, yapay zeka projelerinin ölçeklenebilir ve üretime hazır kalmasını sağlar ve en üst düzey performans için YOLO26 gibi modellerin sürekli iyileştirilmesini destekler.