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 aprovechando la comprensión amplia del lenguaje de los modelos de lenguaje grandes y enfocando el fine-tuning en patrones de extracción de entidades específicos de tu dominio. En lugar de entrenar un modelo tradicional de NER desde cero, los equipos ajustan un modelo generativo en Ertas Studio con ejemplos de texto con entidades anotadas en un formato de salida estructurado. El modelo aprende a identificar y extraer entidades comprendiendo el contexto semántico que las rodea, no solo haciendo coincidencia de patrones en formas superficiales.

Este enfoque es dramáticamente más robusto que el NER tradicional. Debido a que el modelo base ya comprende el lenguaje a un nivel profundo, el modelo ajustado generaliza bien a formatos de entidades que no ha visto explícitamente — reconociendo un nuevo nombre de medicamento basándose en su contexto sintáctico, o identificando un nombre de organización inusual porque aparece en un rol que las organizaciones típicamente ocupan. Ertas Studio acepta datos de entrenamiento como JSONL con texto de entrada y salida de entidades estructuradas, haciendo la anotación sencilla. El modelo entrenado puede desplegarse localmente vía Ollama para procesamiento por lotes o a través de Ertas Cloud para APIs de extracción en tiempo real.

Key Features

Example Workflow

Una empresa farmacéutica necesita extraer nombres de medicamentos, información de dosificación, eventos adversos y datos demográficos de pacientes de reportes de ensayos clínicos para monitoreo de farmacovigilancia. El equipo de NLP anota 15,000 extractos de reportes con su esquema de entidades personalizado (12 tipos de entidades) y carga el dataset JSONL en Ertas Vault. En Ertas Studio, ajustan un modelo de 7B que toma texto de reportes como entrada y genera JSON estructurado con todas las entidades identificadas, sus tipos y spans de texto. El modelo se despliega como un endpoint de procesamiento por lotes que se ejecuta cada noche sobre los reportes de ensayos recién recibidos. Las entidades extraídas se cargan en la base de datos de farmacovigilancia, donde los analistas de seguridad revisan los eventos adversos señalados. El modelo ajustado logra un F1 del 94% en extracción de entidades comparado con el 62% de un modelo genérico de NER — con las mayores mejoras en entidades específicas de dominio como nombres de compuestos farmacéuticos e identificadores de dispositivos médicos que el modelo genérico pasó completamente por alto.