Ertas para Reconocimiento de Entidades Nombradas

The Challenge

El reconocimiento de entidades nombradas es la base de la extracción de información estructurada a partir de texto no estructurado. Los modelos genéricos de NER pueden identificar entidades comunes como nombres de personas, ubicaciones y organizaciones, pero fallan con tipos de entidades específicos de dominio. Un sistema de NER médico necesita reconocer nombres de medicamentos, unidades de dosificación, términos anatómicos y códigos ICD. Un sistema legal necesita identificar citas de casos, referencias a estatutos, nombres de partes y jurisdicciones. Un sistema financiero necesita extraer símbolos bursátiles, montos monetarios con moneda, nombres de organismos reguladores e instrumentos financieros específicos.

Construir modelos de NER personalizados ha requerido tradicionalmente experiencia profunda en NLP, herramientas de anotación complejas y un esfuerzo de ingeniería significativo para desplegar y mantener. Los equipos pasan meses en guías de anotación, medición de acuerdo inter-anotador y selección de arquitectura de modelo antes de siquiera comenzar el entrenamiento. El resultado suele ser un pipeline frágil que se rompe al encontrar formatos de entidades para los que no fue entrenado explícitamente: una nueva convención de nombres de medicamentos, un formato de citación inusual o un nombre de organización extranjera que no coincide con los patrones esperados.

The Solution

Ertas simplifica el NER personalizado apoyándose en la amplia comprensión del lenguaje de los modelos de lenguaje abiertos y centrando el ajuste fino en los patrones de entidades propios de tu dominio. En vez de entrenar un modelo NER tradicional desde cero, el equipo ajusta un modelo generativo en Ertas Studio con ejemplos de texto acompañados de las entidades que contienen, escritas en un formato de salida estructurado como JSON. El modelo aprende a encontrar entidades tanto por su forma como por el contexto que las rodea.

Como el modelo base ya entiende bien el lenguaje, el modelo ajustado suele manejar formatos de entidad que no ha visto explícitamente, por ejemplo un nombre de fármaco nuevo en una posición habitual de la frase o un nombre de organización poco común en un papel que suelen ocupar las organizaciones. Conviene comprobarlo con tus propios ejemplos reservados antes de confiar en ello. Studio acepta datos de entrenamiento en JSONL con texto de entrada y salida estructurada de entidades, y Data Craft, el constructor guiado de datasets de Studio, permite a los anotadores editar y aprobar ejemplos en un solo lugar. El modelo entrenado se exporta desde Hub en GGUF o safetensors y se ejecuta en tus propios servidores, con Ollama para procesos por lotes o con vLLM para extracción en tiempo real, de modo que el texto procesado se queda dentro de tu red. El entrenamiento se hace en las GPU en la nube de Ertas y los ejemplos anotados se suben a Ertas, así que, si contienen datos personales, sustituye los nombres e identificadores reales por valores ficticios realistas antes de subirlos.

Key Features

Example Workflow

Una farmacéutica necesita extraer nombres de fármacos, información de dosis, eventos adversos y datos demográficos de pacientes de los informes de ensayos clínicos para su sistema de farmacovigilancia. El equipo de NLP anota 15.000 fragmentos de informes con su esquema de entidades propio (12 tipos de entidad), sustituye los identificadores de pacientes por valores sintéticos y sube el dataset JSONL a Ertas Studio. Antes de entrenar, los anotadores resuelven en Data Craft los ejemplos en los que no estaban de acuerdo. El equipo ajusta Qwen 2.5 7B para que reciba el texto del informe y devuelva JSON estructurado con cada entidad, su tipo y su posición en el texto, y luego mide el F1 por tipo de entidad en un conjunto reservado de informes anotados, junto al sistema NER genérico que usaba antes. El modelo se exporta desde Hub y se ejecuta cada noche como proceso por lotes en los servidores de la propia empresa sobre los informes recién recibidos. Las entidades extraídas se cargan en la base de datos de farmacovigilancia, donde los analistas de seguridad revisan los eventos adversos señalados, y sus correcciones alimentan el siguiente entrenamiento.