Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Ekstrakcija i klasifikacija entiteta

Lekcija 11 od 12 Ažurirano 30. srpnja 2026. Programer
Na ovoj stranici
  1. Ključni slučajevi upotrebe
  2. Ekstrakcija imenovanih entiteta
  3. Klasifikacija sadržaja
  4. Klasifikacija s više oznaka
  5. Ekstrakcija tabličnih podataka
  6. Detaljna analiza sentimenta
  7. Ključne točke

Ključni slučajevi upotrebe

Strukturirani izlazi najbolje funkcioniraju u dvije kategorije zadataka: ekstrakcija informacija iz nestrukturiranog teksta i klasifikacija sadržaja. Ova dva slučaja upotrebe središnja su za većinu poslovnih AI aplikacija.

Ekstrakcija imenovanih entiteta

Ekstrakcija entiteta podrazumijeva identificiranje i kategoriziranje ključnih elemenata u tekstu: osoba, tvrtki, lokacija, datuma, iznosa i slično.

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}")

Klasifikacija sadržaja

Klasifikacija dodjeljuje unaprijed definirane kategorije sadržaju. Strukturirani izlazi jamče da model vraća samo valjane kategorije.

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

Klasifikacija s više oznaka

Kada sadržaj može pripadati više kategorija:

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

Ekstrakcija tabličnih podataka

Pretvori tekst u djelotvorne strukturirane podatke:

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
)

Detaljna analiza sentimenta

Osim jednostavnog pozitivno/negativno, strukturiraj potpunu analizu:

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

Ključne točke

  • Ekstrakcija entiteta identificira osobe, lokacije, datume i iznose u slobodnom tekstu
  • Klasifikacija nameće unaprijed definirane kategorije koristeći Literal i enum
  • Klasifikacija s više oznaka koristi liste Literal vrijednosti
  • Ekstrakcija tabličnih podataka pretvara nestrukturirani tekst u djelotvorne podatke
  • Analiza sentimenta može biti detaljna s pojedinačnim aspektima
  • Svi ovi obrasci rade s parse() ili response_format