Extraction et classification d'entités
Šajā lapā
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 du simple 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
Galvenās atziņas
- L’extraction d’entités identifie les personnes, lieux, dates et montants dans du texte libre
- La classification impose des catégories prédéfinies grâce à
Literaletenum - 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()ouresponse_format