BroadRouter
Commencer

Reconnaissance d’entités nommées (NER)

Mis à jour

La reconnaissance d’entités nommées (NER) est la tâche qui consiste à trouver les noms dans un texte et à attribuer à chacun un type, comme personne, organisation ou lieu. Les systèmes classiques étiquettent chaque token ; on demande plutôt aux LLM une liste d’entités en JSON, ensuite vérifiée par rapport au texte source.

Aussi appelé : NER, REN, reconnaissance d’entités nommées, extraction d’entités, entités nommées, named entity recognition, entity extraction, named entities

Extraire chaque personne, entreprise et lieu d’un contrat ou d’une dépêche, avec un type pour chacun : c’est la NER, et c’est l’une des tâches les plus courantes confiées à un LLM.

Comment ça marche

Le benchmark classique est la tâche partagée CoNLL-2003. Elle utilisait des dépêches Reuters en anglais et des textes allemands de la Frankfurter Rundschau, quatre types (PER pour les personnes, ORG, LOC et MISC pour « names of miscellaneous entities that do not belong to the previous three groups » (traduction : « noms d’entités diverses n’appartenant à aucun des trois groupes précédents »)) et des étiquettes IOB : chaque mot est B- ou I- d’un type, ou O pour « outside ». Le score est un F1 sur les entités, et une entité ne compte que si elle correspond exactement à la référence.

Un exemple arabe au format IOB :

Token Étiquette
زار O
خالد B-PER
العتيبي I-PER
مدينة O
الرياض B-LOC

(« Khalid Al-Otaibi a visité la ville de Riyad. »)

L’arabe a ses propres jeux de données. ANERcorp, créé par Yassine Benajiba et référence standard depuis 2008, est composé de dépêches ; le découpage convenu du CAMeL Lab compte 125 102 mots d’entraînement et 25 008 mots de test, sous CC BY-SA 4.0. Wojood (Jarrar et al., 2022) compte environ 550K tokens de texte en MSA et en dialecte, 21 types d’entités et environ 75K entités, dont 22,5 % imbriquées. Son modèle basé sur AraBERT a obtenu un micro-F1 de 0,884.

Avec un LLM, la formulation habituelle est différente : on demande une liste, pas une étiquette par token.

{"entities": [
  {"text": "خالد العتيبي", "type": "PERSON"},
  {"text": "الرياض", "type": "LOCATION"}
]}

Pourquoi c’est important

La NER alimente les filtres de recherche, les fiches CRM, le masquage des PII et les graphes de connaissances. Avec un LLM, les principaux risques sont :

  • Entités inventées ou modifiées. Un modèle peut renvoyer un nom absent du texte, ou « corriger » son orthographe. Vérifiez que chaque entité figure dans la source, après normalisation du texte arabe des deux côtés. C’est une forme de contrôle des hallucinations.
  • Dérive des étiquettes. Fixez la liste des types dans un schéma, pour que le modèle ne puisse pas inventer de nouveau type.
  • Les benchmarks ne sont pas vos données. Les étiquettes publiques correspondent rarement aux vôtres. Annotez un échantillon à la main et mesurez précision, rappel et F1, comme pour toute eval.

Sur BroadNet Inference

BroadNet n’a pas d’endpoint NER ; vous la construisez sur POST /v1/chat/completions. La référence de l’API BroadNet documente la sortie structurée pour GLM 5.3 et Qwen3.8 27B, ce qui permet de tenir le modèle à une liste d’entités et à un ensemble fixe de types. Pour les documents qui arrivent sous forme d’images, Qwen3.8 27B accepte aussi les images en entrée.

BroadNet ne publie aucun benchmark NER pour ses modèles. L’article sur l’extraction d’entités nommées en arabe propose un prompt, des vérifications de segments qui ignorent les signes diacritiques, la gestion des dates hégiriennes et un script d’évaluation à lancer sur votre propre échantillon.

Questions fréquentes

Quelle différence entre NER et extraction d’entités ?

En recherche, la NER consiste en général à étiqueter chaque token. L’extraction d’entités consiste souvent à renvoyer une liste d’entités, et c’est ainsi que la plupart des pipelines LLM posent le problème. Évaluez la formulation que vous mettez réellement en production.

Pourquoi une entité renvoyée par le modèle ne correspond-elle pas à mon texte arabe ?

Souvent, le modèle a modifié une hamza, supprimé un tatweel ou ajouté des signes diacritiques en recopiant. Normalisez l’entité et le texte source avant de vérifier qu’elle y figure.

Qu’est-ce que la NER imbriquée ?

Des entités contenues dans d’autres entités, comme une ville dans le nom d’une organisation. Wojood les annote ; 22,5 % de ses entités sont imbriquées.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity