Entitätsauswertung und Klassifizierung

Kernanwendungsfälle

Strukturierte Ausgaben sind in zwei Kategorien von Aufgaben besonders effektiv: das Extrahieren von Informationen aus unstrukturiertem Text und die Klassifizierung von Inhalten. Diese beiden Anwendungsfälle stehen im Mittelpunkt der meisten unternehmerischen KI-Anwendungen.

Entitätsauswertung

Die Entitätsauswertung umfasst das Identifizieren und Kategorisieren von Schlüsselelementen in einem Text: Personen, Unternehmen, Standorte, Daten, Beträge und vieles mehr.

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": """Extrahieren Sie alle Entitäten aus diesem Text:

        Am 15. März 2026 erhöhte Mistral AI 600 Millionen Euro
        bei General Catalyst. Arthur Mensch, der CEO mit Sitz in
        Paris, plant die Veröffentlichung von Mistral Large 3 bis Juni."""
    }],
    response_format=ExtractionEntites
)

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

Inhaltsklassifizierung

Die Klassifizierung weist vordefinierte Kategorien Inhalten zu. Strukturierte Ausgaben garantieren, dass das Modell nur gültige Kategorien zurückgibt.

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": """Klassifizieren Sie diese E-Mail:

        Betreff: Dringendes Abrechnungsproblem

        Hallo, unsere neueste Rechnung #2847 enthält einen Fehler.
        Der angezeigte Betrag beträgt 3.500 € statt der vereinbarten 2.800 €.
        Bitte korrigieren Sie dies schnellstmöglich."""
    }],
    response_format=ClassificationEmail
)

print(f"Kategorie: {parsed.categorie}")      # "billing"
print(f"Priorität: {parsed.priorite}")        # "high"
print(f"Erforderliche Aktion: {parsed.action_requise}")  # True

Mehrfachkennzeichnung

Wenn Inhalte mehreren Kategorien angehören können:

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

Extraktion von tabellarischen Daten

Transformieren Sie Text in handlungsorientierte strukturierte Daten:

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": """Extrahieren Sie Daten aus diesem Bestellschein:

        PO-2026-0847 vom 03/28/2026 — Lieferant: TechParts SAS

        REF-001 | USB-C Kabel 2m | x50 | 3,20 €
        REF-002 | HDMI Adapter | x20 | 12,50 €
        REF-003 | 4-Port USB Hub | x10 | 24,90 €"""
    }],
    response_format=BonCommande
)

Granulare Sentiment-Analyse

Über einfache positive/negative Bewertungen hinaus strukturieren Sie eine vollständige 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

Wichtige Erkenntnisse

• Die Entitätsauswertung identifiziert Personen, Standorte, Daten und Beträge in freiem Text.
• Die Klassifizierung erzwingt vordefinierte Kategorien unter Verwendung von Literal und enum.
• Die Mehrfachkennzeichnung verwendet Listen von Literal.
• Die Extraktion tabellarischer Daten transformiert unstrukturierten Text in handlungsorientierte Daten.
• Die Sentiment-Analyse kann granular mit einzelnen Aspekten erfolgen.
• Alle diese Muster funktionieren mit parse() oder response_format.