Reconhecimento de entidades nomeadas
Extraia pessoas, lugares e organizações de um texto em francês com spaCy e CamemBERT: formato BIO, alinhamento de subpalavras, avaliação por entidade.
Classificar um documento é atribuir a ele um rótulo. Reconhecer suas entidades nomeadas é extrair uma estrutura: quem, onde, quando, qual organização, qual valor. Passamos de uma previsão por documento para uma previsão por palavra, e essa diferença muda tudo — o formato dos dados, a arquitetura do modelo e, sobretudo, a maneira de medir o sucesso.
O uso é imediatamente concreto. Um escritório recebe dez mil cartas e quer saber quais empresas são mencionadas nelas. Uma assessoria de imprensa quer acompanhar as personalidades citadas. Um departamento jurídico precisa pseudonimizar processos antes de transmiti-los, o que exige encontrar todos os nomes de pessoas — um recall de 95 % significa aqui que uma identidade em cada vinte vaza.
O francês acrescenta suas próprias dificuldades. As partículas nobiliárquicas e as preposições se integram aos nomes (“Charles de Gaulle”, “Jeanne d'Arc”), os artigos fazem parte de certos topônimos (“Le Havre”, “La Rochelle”), os nomes de instituições são longos e parcialmente em minúsculas (“ministère de l'Économie et des Finances”), e a letra maiúscula — o sinal mais forte para o modelo — desaparece por completo em textos digitados às pressas ou transcritos automaticamente.