API per il riconoscimento delle entità denominate (NER), con intelligenza artificiale generativa

Che cos'è il NER?

NER è l'acronimo di Named Entity Recognition. È un'attività secondaria che prevede l'identificazione e la classificazione di entità nominate in un testo in categorie predefinite, come nomi di persone, organizzazioni, luoghi, espressioni di tempo, quantità, valori monetari, percentuali, ecc.

Modelli generativi come GPT-5, GPT-OSS 120B, LLaMA 3, Yi 34B o Mixtral 8x7B sono molto validi nell'estrazione di entità.

Il NER è fondamentale per molte applicazioni NLP, come la risposta alle domande, la sintesi di testi e la traduzione automatica, in quanto fornisce informazioni dettagliate sugli elementi chiave di un testo, consentendo una comprensione e un'elaborazione più approfondite. Per esempio, sapere che "Parigi" si riferisce a un luogo in un dato testo può influenzare in modo significativo l'interpretazione di quel testo e la risposta generata da un sistema NLP.

Supponiamo di avere la seguente frase:

John Doe è uno sviluppatore web di Google.

Si vorrebbe rilevare automaticamente che "John Doe" è un nome, "web developer" è un titolo di lavoro e "Google" è un'azienda. Questo è esattamente ciò che NER farà.

Annotazione NER

Alcuni casi d'uso dell'estrazione di entità

Il mondo è pieno di dati non strutturati, soprattutto il web. Riuscire a estrarre da essi informazioni strutturate può dare accesso a molte informazioni preziose. Ecco un paio di esempi.

Ordinare le richieste dei clienti

Quando si ha a che fare con molte richieste dei clienti (assistenza, vendite, ...) è sicuramente utile applicare il NER per smistare automaticamente le richieste in arrivo. Ad esempio, si potrebbe estrarre automaticamente il tipo di prodotto indicato nella richiesta e indirizzarlo di conseguenza al servizio giusto.

Estrarre i dati finanziari

L'estrazione e il consolidamento dei dati finanziari possono essere lunghi e noiosi. NER può sicuramente aumentare la vostra produttività aiutandovi a estrarre i dati giusti in un secondo.

Pre-elaborazione di curriculum/candidature

I servizi HR a volte hanno difficoltà a leggere tutte queste domande. Può essere interessante per loro evidenziare automaticamente le entità interessanti come i nomi delle aziende, le competenze... per risparmiare tempo.

Estrarre i contatti

Molti lead B2B possono essere trovati su siti web pubblici o brochure aziendali, ma estrarli manualmente a volte può essere un problema. Grazie al NER è possibile estrarre automaticamente una persona, con il suo titolo di lavoro, e l'azienda, se esiste.

API NER di NLP Cloud

NLP Cloud propone un'API per l'estrazione di entità che consente di eseguire il Named Entity Recognition in modo immediato, basandosi su spaCy, Ginza o su modelli generativi AI più avanzati equivalenti a GPT-5 o GPT-4, come GPT-OSS 120B, LLaMA 3, Dolphin, Yi 34B, Mixtral 8x7B e altri ancora. Per l'estrazione avanzata di entità su documenti specifici, consigliamo di mettere a punto i propri modelli generativi per il NER su NLP Cloud.

Per maggiori dettagli, consultare la documentazione sull'estrazione delle entità. qui. Per un utilizzo avanzato, vedere l'endpoint API di generazione del testo qui. E verificare facilmente l'estrazione delle entità nel nostro parco giochi.

Testare il NER localmente è una cosa, ma utilizzarlo in modo affidabile in produzione è un'altra cosa. Con NLP Cloud potete fare entrambe le cose!

Prova NER
gratuitamente

Domande frequenti

Che cos'è il Named Entity Recognition (NER)?

Il riconoscimento delle entità denominate (NER) è un'attività secondaria dell'estrazione di informazioni che identifica e classifica le entità denominate in un testo in categorie predefinite, come nomi di persone, organizzazioni, luoghi, espressioni di tempo, quantità, valori monetari, percentuali, ecc. È una tecnica fondamentale di elaborazione del linguaggio naturale (NLP) utilizzata per il reperimento di informazioni, i sistemi di risposta alle domande e l'estrazione di conoscenza.

Quali sono le categorie comuni utilizzate nella NER?

Le categorie comuni utilizzate nel riconoscimento di entità denominate (Named Entity Recognition, NER) includono nomi di persone, organizzazioni, luoghi, date, orari, valori monetari, percentuali e quantità. Queste categorie aiutano a identificare e classificare gli elementi chiave del testo per l'estrazione e l'analisi delle informazioni.

In che modo i moderni sistemi NER gestiscono le ambiguità linguistiche e le strutture complesse?

I moderni sistemi di Named Entity Recognition (NER) sfruttano algoritmi avanzati di apprendimento automatico, in particolare architetture di deep learning come le reti neurali ricorrenti (RNN) e i trasformatori, per analizzare il contesto e le relazioni semantiche all'interno del testo, consentendo di gestire ambiguità e strutture linguistiche complesse. Utilizzano grandi quantità di dati di addestramento annotati e modelli linguistici pre-addestrati per prevedere con precisione le entità anche in presenza di costruzioni ambigue o complesse.

I sistemi NER possono riconoscere entità nuove o sconosciute?

I sistemi NER (Named Entity Recognition) riconoscono principalmente le entità su cui sono stati addestrati, ma la loro capacità di riconoscere entità nuove o sconosciute dipende dalla generalità dei dati di addestramento e dalla capacità di adattamento degli algoritmi. Alcuni sistemi avanzati, in particolare quelli che impiegano l'apprendimento profondo e la comprensione contestuale, sono in grado di dedurre o generalizzare per identificare entità precedentemente non viste, imparando dal contesto in cui appaiono. Su NLP Cloud è possibile riconoscere perfettamente entità nuove o sconosciute!

Quali lingue supporta la vostra API AI per l'estrazione delle entità?

Supportiamo l'estrazione di entità in 100 lingue

Quanto velocemente l'API AI restituisce le entità?

Dipende dalle dimensioni del testo e dal modello di intelligenza artificiale utilizzato. In generale, il tempo di risposta è di circa un paio di secondi.

Come valutare l'accuratezza della NER?

Per valutare l'accuratezza di un sistema di riconoscimento di entità denominate (NER), si utilizzano in genere la precisione, il richiamo e il punteggio F1 basato su veri positivi, falsi positivi e falsi negativi. Queste metriche confrontano i risultati del sistema con un gold standard o ground truth annotato manualmente, per determinare l'efficacia del sistema nell'identificare e classificare le entità denominate.

Posso provare gratuitamente la vostra API NER?

Sì, come tutti i modelli di NLP Cloud, l'endpoint NER API può essere testato gratuitamente.

In che modo la vostra API AI gestisce la privacy e la sicurezza dei dati durante il processo di estrazione delle entità?

NLP Cloud si concentra sulla privacy dei dati: non registriamo né memorizziamo il contenuto delle richieste effettuate dall'utente sulla nostra API. NLP Cloud è conforme alle norme HIPAA e GDPR.