API för igenkänning av namngivna entiteter (NER), med generativ AI

Vad är NER?

NER står för Named Entity Recognition. Det är en deluppgift som innebär att identifiera och klassificera namngivna enheter i text i fördefinierade kategorier, t.ex. namn på personer, organisationer, platser, tidsuttryck, kvantiteter, monetära värden, procentsatser etc.

Generativa modeller som ChatGPT, GPT-3.5, GPT-4, LLaMA 3, Yi 34B eller Mixtral 8x7B är mycket bra på att extrahera entiteter.

NER är avgörande för många NLP-applikationer som frågesvar, textsammanfattning och maskinöversättning, eftersom det ger detaljerad information om de viktigaste elementen i en text, vilket möjliggör djupare förståelse och bearbetning. Att veta att "Paris" hänvisar till en plats i en viss text kan till exempel påverka tolkningen av den texten och det svar som genereras av ett NLP-system.

Låt oss säga att du har följande mening:

John Doe är webbutvecklare på Google.

Du vill automatiskt upptäcka att "John Doe" är ett namn, "webbutvecklare" är en yrkestitel och "Google" är ett företag. Och det är precis vad NER kommer att göra.

NER-annotation

Några användningsfall för entitetsutvinning

Världen är full av ostrukturerad data, särskilt webben. Att kunna extrahera strukturerad information från dessa data kan ge tillgång till mycket värdefull information. Här är ett par exempel.

Sortera kundförfrågningar

När man hanterar många kundförfrågningar (support, försäljning, ...) hjälper det definitivt att tillämpa NER för att automatiskt sortera dessa inkommande förfrågningar. Till exempel kan du automatiskt extrahera den typ av produkt som nämns i begäran och dirigera detta till rätt tjänst i enlighet därmed.

Extrahera finansiella data

Att extrahera och konsolidera finansiella data kan vara en lång och tråkig process. NER kan definitivt öka din produktivitet här genom att hjälpa dig att extrahera rätt data på en sekund.

Förhandsgranska CV/ansökningar

HR-avdelningar har ibland svårt att läsa alla dessa ansökningar. Det kan vara intressant för dem att automatiskt markera intressanta enheter som företagsnamn, färdigheter, ... för att spara tid.

Extrahera leads

Många B2B-leads kan hittas på offentliga webbplatser eller i företagsbroschyrer, men att extrahera dem manuellt kan ibland vara svårt. Tack vare NER kan du automatiskt extrahera en person, med hennes jobbtitel, och företag, om de finns.

NLP Clouds API för NER

NLP Cloud föreslår ett API för entitetsutvinning som gör det möjligt att utföra Named Entity Recognition direkt, baserat på spaCy, Ginza eller mer avancerade generativa AI-modeller som motsvarar GPT-4, GPT-3.5 eller ChatGPT, som LLaMA 3, Dolphin, Yi 34B, Mixtral 8x7B med flera. För avancerad entitetsutvinning i specifika dokument rekommenderar vi att du finjusterar dina egna generativa modeller för NER på NLP Cloud.

För mer information, se vår dokumentation om entitetsutvinning här. För avancerad användning, se API-slutpunkten för textgenerering här. Och enkelt testa entitetsextraktion på vår lekplats.

Att testa NER lokalt är en sak, men att använda det på ett tillförlitligt sätt i produktionen är en annan sak. Med NLP Cloud kan du bara göra båda!

Försök NER
gratis

Vanliga frågor och svar

Vad är Named Entity Recognition (NER)?

Named Entity Recognition (NER) är en deluppgift inom informationsutvinning som identifierar och klassificerar namngivna entiteter i text i fördefinierade kategorier, t.ex. namn på personer, organisationer, platser, tidsuttryck, kvantiteter, penningvärden, procentandelar etc. Det är en grundläggande NLP-teknik (Natural Language Processing) som används för informationssökning, frågesvarssystem och kunskapsutvinning.

Vilka är de vanligaste kategorierna som används i NER?

Vanliga kategorier som används i Named Entity Recognition (NER) inkluderar personnamn, organisationer, platser, datum, tider, monetära värden, procentsatser och kvantiteter. Dessa kategorier hjälper till att identifiera och klassificera nyckelelement i text för informationsutvinning och analys.

Hur hanterar moderna NER-system språkliga tvetydigheter och komplexa strukturer?

Moderna system för Named Entity Recognition (NER) utnyttjar avancerade algoritmer för maskininlärning, särskilt djupinlärningsarkitekturer som recurrent neural networks (RNN) och transformers, för att analysera sammanhang och semantiska relationer i text, vilket gör att de kan hantera tvetydigheter och komplexa språkliga strukturer. De använder stora mängder kommenterade träningsdata och förtränade språkmodeller för att exakt förutsäga entiteter även i närvaro av tvetydiga eller komplicerade konstruktioner.

Kan NER-system känna igen nya eller okända entiteter?

NER-system (Named Entity Recognition) känner främst igen entiteter som de har tränats på, men deras förmåga att känna igen nya eller okända entiteter beror på hur generella deras träningsdata är och hur anpassningsbara deras algoritmer är. Vissa avancerade system, särskilt de som använder djupinlärning och kontextuell förståelse, kan härleda eller generalisera för att identifiera tidigare osedda enheter genom att lära av det sammanhang där de förekommer. På NLP Cloud kan du perfekt känna igen nya eller okända enheter!

Vilka språk stöder ert AI API för entitetsutvinning?

Vi stöder entitetsextraktion på 100 språk

Hur snabbt returnerar AI API-enheter?

Det beror på hur stor text du har och vilken AI-modell du använder. I allmänhet är svarstiden cirka ett par sekunder.

Hur utvärderar man NER:s noggrannhet?

För att utvärdera noggrannheten hos ett system för Named Entity Recognition (NER) använder man vanligtvis precision, recall och F1-poäng baserat på sanna positiva, falska positiva och falska negativa resultat. Dessa mått jämför systemets resultat med en manuellt antecknad guldstandard eller "ground truth" för att avgöra hur väl systemet identifierar och klassificerar namngivna enheter.

Kan jag prova ert NER API gratis?

Ja, som alla modeller på NLP Cloud, kan NER API-slutpunkten testas gratis

Hur hanterar ert AI API datasekretess och datasäkerhet under processen för entitetsutvinning?

NLP Cloud fokuserar på dataintegritet genom design: vi loggar eller lagrar inte innehållet i de förfrågningar du gör på vårt API. NLP Cloud är både HIPAA- och GDPR-kompatibel.