Extraktion strukturovaných entit
Na této stránce
Lekce aktualizována 3. listopadu 2026 na základě dokumentace OpenAI: parametry
temperatureatop_pjsou přijímány pouze při úsilí o uvažování (reasoning effort) nastaveném nanone, zatímco modely GPT-5.6 ve výchozím nastavení uvažují (medium). Volání, která nastavují tyto parametry, musí proto specifikovatreasoning={"effort": "none"}(Responses API) neboreasoning_effort="none"(Chat Completions). Zdroje: Používání GPT-6 · GPT-5.6 Terra.
Extraktion strukturovaných entit
Extraktion strukturovaných entit je jedním z nejžádanějších případů použití v produkci: transformace volného textu (e-maily, dokumenty, webové stránky) na data, která může tvoje aplikace skutečně využít. Kombinací strukturovaného výstupu se specializovanými prompty můžeš vybudovat spolehlivé extrakční pipeline bez nutnosti trénovat specializovaný model NER.
Základní extrakční pipeline
Celá specifičnost extrakce spočívá v systémovém promptu níže uvedené funkce a ten si zaslouží velkou pozornost. Překrývají se zde tři instrukce: extrahuj pouze to, co je přítomno, pro chybějící data použij null a nikdy neodvozuj informace, které nejsou explicitně zmíněny.
Ta poslední věta je v praxi nejdůležitější. Pokud ho necháš napospas osudu, model rád doplní pravděpodobné číslo SIRET nebo uhodne město podle směrového čísla, a to s tím nejlepšími úmysly. Pro extrakci určenou do podnikového systému je tato ochota vážnou chybou: jakmile jsou data v databázi, není způsob, jak rozlišit, co bylo přečteno a co bylo domyšleno. Nastavení temperature na 0,0 slouží stejnému účelu – při dvou spuštěních stejného dokumentu chceš stejný výstup, alespoň proto, abys dokázal reprodukovat incident.
import json
from openai import OpenAI
client = OpenAI()
def extract_entities(text: str, schema: dict,
instructions: str = "") -> dict:
"""Extrahuje strukturované entity z volného textu."""
system = (
"Jsi specializovaný extraktor entit. "
"Extrahuj POUZE informace přítomné v textu. "
"Pokud informace chybí, použij null. "
"NIKDY neodvozuj informace, které nejsou explicitně zmíněny."
)
if instructions:
system += f"\n\nDalší instrukce: {instructions}"
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature vyžaduje effort none
instructions=system,
input=f"Text k analýze:\n\n{text}",
text={
"format": {
"type": "json_schema",
"name": "extraction",
"schema": schema,
"strict": True
}
},
temperature=0.0
)
return json.loads(response.output_text)
Příklad 1: Extrakce z životopisu
Životopis je vynikajícím testovacím polem, protože kombinuje stabilní sekce se zcela volným rozložením. Níže uvedené schéma seskupuje kontaktní údaje do objektu identity, kde je téměř každé pole nullable – kandidát nemusí uvést telefonní číslo a učinění tohoto pole povinným by v podstatě lákalo model, aby si jedno vymyslel.
Dovednosti nejsou jednoduché řetězce, ale objekty se třemi atributy, což ti umožňuje zachovat uvedenou úroveň a kategorizovat každou dovednost. Bez těchto výčtů by se „Scrum“ a „Python“ ocitly vedle sebe v jednom plochém seznamu, což je k ničemu pro filtr, který se snaží izolovat programovací jazyky. Všimni si také pole end_date v zkušenostech, které je nullable, zatímco start_date není: takto zakóduješ aktuální pozici, aniž bys musel vymýšlet vlastní konvenci jako „present“ nebo „9999“. U testovacího životopisu se tato jemnost projeví na řádku TechCorp.
resume_schema = {
"type": "object",
"properties": {
"identity": {
"type": "object",
"properties": {
"full_name": {"type": "string"},
"email": {"type": ["string", "null"]},
"phone": {"type": ["string", "null"]},
"location": {"type": ["string", "null"]},
"linkedin": {"type": ["string", "null"]}
},
"required": ["full_name", "email", "phone",
"location", "linkedin"],
"additionalProperties": False
},
"current_title": {"type": ["string", "null"]},
"years_experience": {"type": ["integer", "null"]},
"skills": {
"type": "array",
"items": {
"type": "object",
"properties": {
"name": {"type": "string"},
"level": {
"type": "string",
"enum": ["beginner", "intermediate",
"advanced", "expert"]
},
"category": {
"type": "string",
"enum": ["language", "framework", "tool",
"methodology", "soft_skill"]
}
},
"required": ["name", "level", "category"],
"additionalProperties": False
}
},
"experiences": {
"type": "array",
"items": {
"type": "object",
"properties": {
"company": {"type": "string"},
"title": {"type": "string"},
"start_date": {"type": "string"},
"end_date": {"type": ["string", "null"]},
"description": {"type": "string"}
},
"required": ["company", "title", "start_date",
"end_date", "description"],
"additionalProperties": False
}
},
"education": {
"type": "array",
"items": {
"type": "object",
"properties": {
"institution": {"type": "string"},
"degree": {"type": "string"},
"year": {"type": ["string", "null"]}
},
"required": ["institution", "degree", "year"],
"additionalProperties": False
}
},
"languages": {
"type": "array",
"items": {
"type": "object",
"properties": {
"language": {"type": "string"},
"level": {
"type": "string",
"enum": ["a1", "a2", "b1", "b2",
"c1", "c2", "native"]
}
},
"required": ["language", "level"],
"additionalProperties": False
}
}
},
"required": ["identity", "current_title", "years_experience",
"skills", "experiences", "education", "languages"],
"additionalProperties": False
}
resume_text = """
Marie Dupont - Senior Full Stack Developer
Email: [email protected] | Tel: +33 6 12 34 56 78
Paris, France | linkedin.com/in/mariedupont
8 years of experience in web development.
Skills: Python (expert), TypeScript (advanced), React (advanced),
Django (expert), PostgreSQL (advanced), Docker (intermediate),
Scrum (advanced)
Experience:
- TechCorp (2022-present): Lead Full Stack Developer
Principal architect of a B2B SaaS platform, team of 6 devs.
- StartupAI (2019-2022): Senior Developer
Development of ML APIs in Python/FastAPI.
Education:
- EPITECH Paris, Master in Computer Science (2017)
Languages: French (native), English (C1), Spanish (B1)
"""
result = extract_entities(resume_text, resume_schema)
Příklad 2: Extrakce z obchodního e-mailu
Druhý příklad mění povahu: už jen nekopírujeme informace, žádáme model, aby interpretoval. intent (záměr) a urgency (naléhavost) jsou úsudky – žádná věta v e-mailu neříká „toto je žádost o nabídku, vysoká priorita“. To je přesně to, co klasická extrakční pipeline založená na pravidlech nebo regulárních výrazech nedokáže, a je to přesně to, co ospravedlňuje použití LLM zde a ne jinde.
Zbytek schématu se vrací k ověřitelným faktům: zmíněné produkty, částky s jejich kontextem, data a jejich význam, požadované akce. Pole summary uzavírá objekt a slouží člověku, který bude frontu kontrolovat, nikoli kódu. Jeden bod obezřetnosti u tohoto smíšeného schématu: chyba v úsudku u urgency neznehodnotí částky, ale opak se může stát, protože model, který špatně pochopí záměr, někdy čte zbytek skrze toto nedorozumění. Pokud je klasifikace pro tvé směrování kritická, odděl ji do samostatného volání.
email_schema = {
"type": "object",
"properties": {
"intent": {
"type": "string",
"enum": ["quote_request", "complaint", "information",
"order", "partnership", "other"]
},
"urgency": {
"type": "string",
"enum": ["critical", "high", "normal", "low"]
},
"sender": {
"type": "object",
"properties": {
"name": {"type": ["string", "null"]},
"company": {"type": ["string", "null"]},
"email": {"type": ["string", "null"]}
},
"required": ["name", "company", "email"],
"additionalProperties": False
},
"mentioned_products": {
"type": "array",
"items": {"type": "string"}
},
"mentioned_amounts": {
"type": "array",
"items": {
"type": "object",
"properties": {
"value": {"type": "number"},
"currency": {"type": "string"},
"context": {"type": "string"}
},
"required": ["value", "currency", "context"],
"additionalProperties": False
}
},
"key_dates": {
"type": "array",
"items": {
"type": "object",
"properties": {
"date": {"type": "string"},
"significance": {"type": "string"}
},
"required": ["date", "significance"],
"additionalProperties": False
}
},
"required_actions": {
"type": "array",
"items": {"type": "string"}
},
"summary": {"type": "string"}
},
"required": ["intent", "urgency", "sender",
"mentioned_products", "mentioned_amounts",
"key_dates", "required_actions", "summary"],
"additionalProperties": False
}
Dávková extrakce
Pro zpracování velkých objemů paralelizuj své extrakce. Sekvenční smyčka přes tisíc dokumentů tráví většinu času čekáním na síť; s asyncio se tato čekání překrývají a dávka se zpracuje za zlomek času.
Semafór není okrasný detail. Bez něj by spuštění tisíce úloh najednou nasytilo tvou kvótu a spustilo chyby omezení rychlosti (rate limit), které stojí v retryích více, než ušetří na rychlosti. Hodnotu max_concurrent nastav pozorováním svých vlastních limitů, přičemž deset je opatrný výchozí bod. Všimni si také return_exceptions=True: zabraňuje tomu, aby jediný chybně formátovaný dokument shodil celou dávku, a nechává ti prostor vyřešit selhání dodatečně.
import asyncio
from openai import AsyncOpenAI
async_client = AsyncOpenAI()
async def extract_batch(texts: list[str], schema: dict,
max_concurrent: int = 10) -> list[dict]:
"""Paralelní extrakce s řízením souběžnosti."""
semaphore = asyncio.Semaphore(max_concurrent)
async def extract_one(text: str) -> dict:
async with semaphore:
response = await async_client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature vyžaduje effort none
instructions="Extrahuj entity z poskytnutého textu. "
"Pro chybějící pole použij null.",
input=text,
text={
"format": {
"type": "json_schema",
"name": "extraction",
"schema": schema,
"strict": True
}
},
temperature=0.0
)
return json.loads(response.output_text)
tasks = [extract_one(t) for t in texts]
return await asyncio.gather(*tasks, return_exceptions=True)
Hodnocení kvality extrakce
Extrakční pipeline bez anotované testovací sady je pipeline, jejíž spolehlivost nikdo nezná, a dojem zanechaný třemi příklady přečtenými ručně se téměř vždy ukáže jako příliš optimistický. Níže uvedená funkce porovnává získanou extrakci pole po poli s ručně stanovenou referencí a vrací celkovou přesnost spolu s rozpisem neshod.
Tento rozpis je ta užitečná část: chyby se téměř nikdy nerozdělují rovnoměrně. Jedno pole soustřeďuje problémy – často nejednoznačné datum, implicitní úroveň dovednosti nebo špatně definovaná kategorie – a jediná věta přidaná do systémového promptu to opraví. Bez tohoto měření bys ladil prompt naslepo a případně zhoršil pole, které již fungovalo.
def evaluate_extraction(expected: dict, obtained: dict,
fields: list[str]) -> dict:
"""Porovnává získanou extrakci s referencí."""
correct = 0
total = len(fields)
errors = []
for field in fields:
val_expected = expected.get(field)
val_obtained = obtained.get(field)
if val_expected == val_obtained:
correct += 1
else:
errors.append({
"field": field,
"expected": val_expected,
"obtained": val_obtained
})
return {
"precision": correct / total if total > 0 else 0,
"correct": correct,
"total": total,
"errors": errors
}
Než začneš optimalizovat, vytvoř si referenci
Vyber si typ dokumentu ze své domény – smlouvy, faktury, zprávy – a definuj extrakční schéma alespoň deseti polí, přičemž záměrně smíchej snadná pole s těmi, o kterých víš, že jsou nejednoznačná. Sestav pět ukázkových dokumentů s jejich očekávanými extrakcemi napsanými ručně: tento krok je zdlouhavý, zabere hodinu, a je to právě ono, co dává veškeré následné práci hodnotu.
Poté spusť pipeline, změř přesnost a přečti si seznam chyb pole po poli. Nejchybnější pole ti řekne, co opravit v promptu; druhé měření ti řekne, zda oprava skutečně pomohla – nebo zda zhoršila jiné pole v procesu, což se stává častěji, než bys čekal, jakmile další instrukce posune pozornost modelu.
Klíčové poznatky
- Strukturovaná extrakce nahrazuje specializované modely NER pro většinu případů použití
- Použij
temperature=0.0pro maximalizaci konzistence - Udělej volitelná pole nullable místo optional
- Pro velké objemy paralelizuj pomocí asyncio
- Systematicky hodnot kvalitu s anotovanou testovací sadou
- Instrukce v systémovém promptu řídí obsah, schéma omezuje strukturu