Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Udtrækning og klassificering af enheder

Lektion 11 af 12 Opdateret 30. juli 2026 Udvikler
På denne side
  1. Centrale brugstilfælde
  2. Udtrækning af navngivne enheder
  3. Indholdsklassificering
  4. Multilabel-klassificering
  5. Udtrækning af tabeldata
  6. Granulær sentimensanalyse
  7. Vigtige pointer

Centrale brugstilfælde

Strukturerede output excellerer inden for to opgavekategorier: udtrækning af information fra ustruktureret tekst og klassificering af indhold. Disse to brugstilfælde er centrale for de fleste AI-applikationer i virksomheder.

Udtrækning af navngivne enheder

Udtrækning af enheder indebærer at identificere og kategorisere nøgleelementer i en tekst: personer, virksomheder, steder, datoer, beløb og så videre.

from pydantic import BaseModel
from typing import Literal

class Entite(BaseModel):
    texte: str
    type: Literal[
        "person", "company", "location",
        "date", "amount", "product"
    ]
    contexte: str

class ExtractionEntites(BaseModel):
    entites: list[Entite]
    nombre_total: int
    langue_detectee: str

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Extract all entities from this text:

        On March 15, 2026, Mistral AI raised €600 million
        from General Catalyst. Arthur Mensch, the CEO based in
        Paris, plans to launch Mistral Large 3 by June."""
    }],
    response_format=ExtractionEntites
)

for e in parsed.entites:
    print(f"[{e.type}] {e.texte} — {e.contexte}")

Indholdsklassificering

Klassificering tildeler foruddefinerede kategorier til indhold. Strukturerede output garanterer, at modellen kun returnerer gyldige kategorier.

class ClassificationEmail(BaseModel):
    categorie: Literal[
        "sales", "support", "billing",
        "partnership", "application", "spam", "other"
    ]
    sous_categorie: str
    priorite: Literal["low", "medium", "high", "urgent"]
    sentiment: Literal["positive", "neutral", "negative"]
    action_requise: bool
    resume: str

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Classify this email:

        Subject: Urgent billing issue

        Hello, our latest invoice #2847 contains an error.
        The amount shown is €3,500 instead of the agreed €2,800.
        Please correct this quickly."""
    }],
    response_format=ClassificationEmail
)

print(f"Category: {parsed.categorie}")      # "billing"
print(f"Priority: {parsed.priorite}")        # "high"
print(f"Action required: {parsed.action_requise}")  # True

Multilabel-klassificering

Når indhold kan tilhøre flere kategorier:

class ClassificationArticle(BaseModel):
    titre: str
    themes: list[str]
    audience_cible: list[Literal[
        "developers", "managers", "data_scientists",
        "designers", "executives", "general_public"
    ]]
    niveau_technique: Literal["beginner", "intermediate", "advanced"]
    mots_cles_seo: list[str]
    temps_lecture_minutes: int

Udtrækning af tabeldata

Transformér tekst til handlingsorienterede strukturerede data:

class LigneCommande(BaseModel):
    reference: str
    designation: str
    quantite: int
    prix_unitaire: float
    montant_total: float

class BonCommande(BaseModel):
    numero: str
    date: str
    fournisseur: str
    lignes: list[LigneCommande]
    montant_ht: float
    tva: float
    montant_ttc: float

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Extract data from this purchase order:

        PO-2026-0847 dated 03/28/2026 — Supplier: TechParts SAS

        REF-001 | USB-C Cable 2m | x50 | €3.20
        REF-002 | HDMI Adapter | x20 | €12.50
        REF-003 | 4-port USB Hub | x10 | €24.90"""
    }],
    response_format=BonCommande
)

Granulær sentimensanalyse

Gå ud over simpel positiv/negativ og strukturér en komplet analyse:

class AspectSentiment(BaseModel):
    aspect: str
    sentiment: Literal["very_positive", "positive", "neutral", "negative", "very_negative"]
    mention: str

class AnalyseAvis(BaseModel):
    note_globale: float
    sentiment_global: str
    aspects: list[AspectSentiment]
    points_forts: list[str]
    points_faibles: list[str]
    recommande: bool

Vigtige pointer

  • Udtrækning af enheder identificerer personer, steder, datoer og beløb i fri tekst
  • Klassificering håndhæver foruddefinerede kategorier ved hjælp af Literal og enum
  • Multilabel-klassificering bruger lister af Literal
  • Tabeludtrækning transformerer ustruktureret tekst til handlingsorienterede data
  • Sentimensanalyse kan være granulær med individuelle aspekter
  • Alle disse mønstre fungerer med parse() eller response_format