Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Olemite eraldamine ja liigitamine

Õppetund 11 / 12 Värskendatud 30. juuli 2026 Arendajatele
Sellel lehel
  1. Põhilised kasutusjuhtumid
  2. Nimega olemite eraldamine
  3. Sisu liigitamine
  4. Mitme sildiga liigitamine
  5. Tabelandmete eraldamine
  6. Üksikasjalik meeleolu analüüs
  7. Peamised punktid

Põhilised kasutusjuhtumid

Struktureeritud väljundid säravad kahe ülesandekategooria puhul: teabe eraldamine struktureerimata tekstist ja sisu liigitamine. Need kaks kasutusjuhtumit on enamiku ettevõtete tehisintellekti rakenduste keskmes.

Nimega olemite eraldamine

Olemite eraldamine hõlmab teksti võtmelementide tuvastamist ja kategoriseerimist: inimesed, ettevõtted, asukohad, kuupäevad, summad jne.

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}")

Sisu liigitamine

Liigitamine omistab sisule eelmääratud kategooriad. Struktureeritud väljundid tagavad, et mudel tagastab ainult kehtivad kategooriad.

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

Mitme sildiga liigitamine

Kui sisu võib kuuluda mitmesse kategooriasse:

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

Tabelandmete eraldamine

Teisenda tekst tegevusvõimeliseks struktureeritud andmeks:

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
)

Üksikasjalik meeleolu analüüs

Laienda lihtsat positiivne/negatiivne jaotust täielikuks struktureeritud analüüsiks:

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

Peamised punktid

  • Olemite eraldamine tuvastab vabas tekstis inimesi, asukohti, kuupäevi ja summasid
  • Liigitamine sunnib kasutama eelmääratud kategooriaid, kasutades Literal ja enum
  • Mitme sildiga liigitamine kasutab Literal loendeid
  • Tabelandmete eraldamine teisendab struktureerimata teksti tegevusvõimeliseks andmeks
  • Meeleolu analüüs võib olla üksikasjalik, käsitledes individuaalseid aspekte
  • Kõik need mustrid toimivad koos parse() või response_format-ga