Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Extraction et classification d'entités

Paskaita 11 iš 12 Atnaujinta 2026 m. liepos 30 d. Kūrėjas
Šiame puslapyje
  1. Principaux cas d’usage
  2. Extraction d’entités nommées
  3. Classification de contenu
  4. Classification multi-étiquettes
  5. Extraction de données tabulaires
  6. Analyse de sentiment granulaire
  7. Svarbiausi punktai

Principaux cas d’usage

Les sorties structurées excellent dans deux catégories de tâches : l’extraction d’informations depuis du texte non structuré et la classification de contenu. Ces deux cas d’usage sont au cœur de la plupart des applications d’IA en entreprise.

Extraction d’entités nommées

L’extraction d’entités consiste à identifier et catégoriser les éléments clés d’un texte : personnes, entreprises, lieux, dates, montants, etc.

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}")

Classification de contenu

La classification attribue des catégories prédéfinies à un contenu. Les sorties structurées garantissent que le modèle renvoie uniquement des catégories valides.

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

Classification multi-étiquettes

Lorsqu’un contenu peut appartenir à plusieurs catégories :

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

Extraction de données tabulaires

Transforme du texte en données structurées exploitables :

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
)

Analyse de sentiment granulaire

Au-delà d’une simple dichotomie positif/négatif, structure une analyse complète :

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

Svarbiausi punktai

  • L’extraction d’entités identifie les personnes, lieux, dates et montants dans du texte libre
  • La classification impose des catégories prédéfinies grâce à Literal et enum
  • La classification multi-étiquettes utilise des listes de Literal
  • L’extraction tabulaire transforme du texte non structuré en données exploitables
  • L’analyse de sentiment peut être granulaire avec des aspects individuels
  • Tous ces motifs fonctionnent avec parse() ou response_format