Comprendre les entités

Que sont les entités ?

Les entités sont des éléments supplémentaires des données structurées qui peuvent être extraits des messages de votre jeu de données. Les entités comprennent les points de données tels que les quantités monétaires, les dates, les codes de devise, les adresses e-mail, les URL, ainsi que de nombreuses autres catégories spécifiques à l'industrie (voir ci-dessous pour un exemple).

Exemple de message électronique avec des entités de ligne d’adresse, de nom de ville et de numéro de police prédites

Contrairement aux libellés, la plate-forme est capable de prédire la plupart des entités (à l'exception de celles entraînées à partir de zéro) dès qu'elles sont activées, car elle peut les identifier en fonction de leur format typique ou, dans certains cas, très spécifique, et d'un ensemble d'apprentissage d'entités similaires .

Comme les libellés, les utilisateurs sont en mesure d’accepter ou de rejeter les entités correctement ou incorrectement prédites, améliorant ainsi la capacité du modèle à les identifier ultérieurement.

Types d'entités

Il existe actuellement deux principaux types d'entités :

• Entités pré-entraînées qui sont généralement basées sur un ensemble de règles standard ou définies sur mesure (par ex. Quantité monétaire, URL et date
• Entités entraînées à partir de zéro par un utilisateur (comme elles entraîneraient des libellés) basées sur l’apprentissage automatique

Entités pouvant être entraînées ou non entraînées

Toutes les entités sont soit « entraînables » par nature (entités entraînées à partir de zéro), soit « entraînables » lorsqu'elles sont activées (tous les autres types d'entités).

Les entités « entraînables » sont celles qui seront mises à jour en direct dans la plate-forme en fonction de la formation fournie par les utilisateurs. Pour plus de détails sur les entités d'entraînement, voir ici.

Si vous activez l'entraînement sur une entité pré-entraînée qui est généralement basée sur un ensemble de règles standard ou personnalisées, vous pouvez affiner la compréhension de la plate-forme de cette entité selon les paramètres de ces règles. Essentiellement, une formation complémentaire sur ces éléments réduira l’étendue de ce que la plate-forme peut considérer comme cette entité, mais ne l’augmentera pas.

En effet, beaucoup de ces entités, comme les dates (par ex. pour « demain ») et des quantités monétaires (par ex. 20  inclus, doivent être normalisés dans un format de données structuré pour les systèmes en aval. De plus, pour les entités telles que les IINS ou les CUSIPs, ceux-ci doivent avoir un format défini, de sorte que la plate-forme ne doit pas être entraînée à prédire tout ce qui n'est pas conforme à leurs formats définis.

Lorsque des entités pouvant être entraînées sont attribuées, la plate-forme examine à la fois le texte de l'entité, ainsi que le contexte de l'entité dans le reste de la communication, c'est-à-dire ce qui se passe avant et après la valeur de l'entité (dans le même paragraphe, et celle du haut et du bas). Il apprend à mieux prédire l'entité en fonction des valeurs elles-mêmes, ainsi que la façon dont la valeur apparaît dans le contexte de la communication.

Si une entité pré-entraînée n'est pas définie comme pouvant être entraînée (voir le détail sur l'activation d'entités sur un ensemble de données ici), les utilisateurs peuvent toujours accepter ou rejeter les prédictions d'entité qu'ils voient dans leur ensemble de données. Celles-ci sont mises à jour et affinées hors ligne à l'aide de ces commentaires fournis par les utilisateurs. Il est donc toujours utile pour les utilisateurs d'accepter ou de rejeter ces entités lors de la révision des messages.