Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Easpórtáil agus Aicmiú Eintiteas

Ceacht 11 as 12 Nuashonraithe 30 Iúil 2026 Forbróir
Ar an leathanach seo
  1. Príomhchásanna úsáide
  2. Eastóscadh eintiteas ainmnithe
  3. Aicmiú ábhair
  4. Aicmiú il-lipéad
  5. Eastóscadh sonraí táblacha
  6. Anailís mhothúcháin ghraíneach
  7. Príomhphointí

Príomhchásanna úsáide

Bíonn aschuir struchtúrtha thar barr i dhá chatagóir tasc: faisnéis a eastóscadh ó théacs neamhstruchtúrtha, agus ábhar a aicmiú. Tá an dá chás úsáide seo lárnach do chuid is mó feidhmchlár AI fiontraíochta.

Eastóscadh eintiteas ainmnithe

Baineann eastóscadh eintiteas le príomhghnéithe i dtéacs a aithint agus a chatagóiriú: daoine, cuideachtaí, suíomhanna, dátaí, méideanna, agus mar sin de.

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}")

Aicmiú ábhair

San aicmiú, sannann tú catagóirí réamhshainithe d’ábhar. Ráthaíonn aschuir struchtúrtha nach dtugann an tsamhail ar ais ach catagóirí bailí amháin.

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

Aicmiú il-lipéad

Nuair is féidir le hábhar bheith i roinnt catagóirí ag an am céanna:

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

Eastóscadh sonraí táblacha

Tiontaigh téacs ina shonraí struchtúrtha in-ghníomhaithe:

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
)

Anailís mhothúcháin ghraíneach

Seachas dearfach/diúltach simplí, struchtúraigh anailís iomlán:

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

Príomhphointí

  • Aithníonn eastóscadh eintiteas daoine, suíomhanna, dátaí agus méideanna i dtéacs saor
  • Forghníomhaíonn an t-aicmiú catagóirí réamhshainithe ag baint úsáide as Literal agus enum
  • Úsáideann aicmiú il-lipéad liostaí de Literal
  • Tiontaíonn eastóscadh táblach téacs neamhstruchtúrtha ina shonraí in-ghníomhaithe
  • Is féidir le hanailís mhothúcháin bheith graíneach le gnéithe aonair
  • Oibríonn na patrúin seo go léir le parse() nó response_format