Ekstrakcija in razvrščanje entitet
Na tej strani
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
Literalinenum - 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()aliresponse_format