Reconocimiento de entidades nombradas
Extraer personas, lugares y organizaciones de un texto en francés con spaCy y CamemBERT: formato BIO, alineación de subpalabras, evaluación por entidad.
Clasificar un documento es asignarle una etiqueta. Reconocer sus entidades nombradas es extraer una estructura: quién, dónde, cuándo, qué organización, qué importe. Se pasa de una predicción por documento a una predicción por palabra, y esa diferencia lo cambia todo: el formato de los datos, la arquitectura del modelo y, sobre todo, la forma de medir el éxito.
El uso es inmediatamente concreto. Un despacho recibe diez mil cartas y quiere saber qué empresas se mencionan en ellas. Un gabinete de prensa quiere seguir a las personalidades citadas. Un departamento jurídico debe seudonimizar expedientes antes de transmitirlos, lo que obliga a encontrar todos los nombres de personas: un recall del 95 % significa aquí que una identidad de cada veinte se filtra.
El francés añade sus propias dificultades. Las partículas nobiliarias y las preposiciones se integran en los nombres («Charles de Gaulle», «Jeanne d'Arc»), los artículos forman parte de ciertos topónimos («Le Havre», «La Rochelle»), los nombres de instituciones son largos y están parcialmente en minúsculas («ministère de l'Économie et des Finances»), y la mayúscula, la señal más fuerte para el modelo, desaparece por completo en un texto escrito deprisa o transcrito automáticamente.