Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Ekstrakcija in razvrščanje entitet

Lekcija 11 od 12 Posodobljeno 30. julij 2026 Razvijalec
Na tej strani
  1. Ključni primeri uporabe
  2. Ekstrakcija imenovanih entitet
  3. Razvrščanje vsebine
  4. Razvrščanje z več oznakami
  5. Ekstrakcija tabelaričnih podatkov
  6. Podrobna analiza sentimenta
  7. Ključne ugotovitve

Ključni primeri uporabe

Strukturirani izpisi izstopajo pri dveh vrstah nalog: ekstrakciji informacij iz nestrukturiranega besedila in razvrščanju vsebine. Ta dva primera uporabe sta osrednja za večino podjetniških aplikacij umetne inteligence.

Ekstrakcija imenovanih entitet

Ekstrakcija entitet vključuje prepoznavanje in kategorizacijo ključnih elementov v besedilu: oseb, podjetij, lokacij, datumov, zneskov in tako naprej.

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}")

Razvrščanje vsebine

Razvrščanje dodeljuje vnaprej določene kategorije vsebini. Strukturirani izpisi zagotavljajo, da model vrne samo veljavne 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

Razvrščanje z več oznakami

Kadar lahko vsebina spada v več kategorij hkrati:

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 tabelaričnih podatkov

Pretvori besedilo v uporabne 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
)

Podrobna analiza sentimenta

Poleg preprostega pozitivno/negativno strukturiraj celovito analizo:

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 ugotovitve

  • Ekstrakcija entitet prepozna osebe, lokacije, datume in zneske v prostem besedilu
  • Razvrščanje uveljavlja vnaprej določene kategorije z uporabo Literal in enum
  • Razvrščanje z več oznakami uporablja sezname Literal
  • Tabelarična ekstrakcija pretvori nestrukturirano besedilo v uporabne podatke
  • Analiza sentimenta je lahko podrobna z obravnavo posameznih vidikov
  • Vsi ti vzorci delujejo z parse() ali response_format