Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Estrazione e classificazione di entità

Lezione 11 di 12 Aggiornata il 30 luglio 2026 Sviluppatore
In questa pagina
  1. Casi d’uso principali
  2. Estrazione di entità denominate
  3. Classificazione di contenuti
  4. Classificazione multi-etichetta
  5. Estrazione di dati tabellari
  6. Analisi del sentiment granulare
  7. Punti chiave

Casi d’uso principali

Gli output strutturati eccellono in due categorie di compiti: l’estrazione di informazioni da testi non strutturati e la classificazione di contenuti. Questi due casi d’uso sono fondamentali per la maggior parte delle applicazioni aziendali di intelligenza artificiale.

Estrazione di entità denominate

L’estrazione di entità consiste nell’identificare e categorizzare elementi chiave in un testo: persone, aziende, luoghi, date, importi e così via.

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}")

Classificazione di contenuti

La classificazione assegna categorie predefinite ai contenuti. Gli output strutturati garantiscono che il modello restituisca solo categorie valide.

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

Classificazione multi-etichetta

Quando un contenuto può appartenere a più categorie:

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

Estrazione di dati tabellari

Trasforma il testo in dati strutturati utilizzabili:

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
)

Analisi del sentiment granulare

Oltre al semplice positivo/negativo, struttura un’analisi completa:

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

Punti chiave

  • L’estrazione di entità identifica persone, luoghi, date e importi nel testo libero
  • La classificazione impone categorie predefinite utilizzando Literal ed enum
  • La classificazione multi-etichetta utilizza liste di Literal
  • L’estrazione tabellare trasforma il testo non strutturato in dati utilizzabili
  • L’analisi del sentiment può essere granulare con aspetti individuali
  • Tutti questi schemi funzionano con parse() o response_format