Reconocimiento de Entidades con LLM Una Evaluación Completa
Entidades con LLM Evaluación Completa
Los LLM son capaces de realizar una amplia gama de tareas de procesamiento del lenguaje natural, como el reconocimiento de entidades nombradas. En este estudio, probé una biblioteca de código abierto capaz de llamar a varios modelos comerciales y de código abierto. Los resultados finales son mixtos…
Gracias a su tamaño, los modelos de lenguaje grandes (LLMs) han adquirido habilidades formidables de procesamiento del lenguaje. Con pocos o ningún ejemplo, son capaces de realizar operaciones de procesamiento del lenguaje como clasificación, análisis de sentimientos, extracción de conceptos, reconocimiento de entidades nombradas, traducción y más.
SpaCy es una biblioteca de procesamiento del lenguaje escrita en Python y Cython que ha estado bien establecida desde 2016. La mayoría del procesamiento es una combinación de aprendizaje profundo, tecnologías Transformers (desde la versión 3.0) y análisis estadístico. El enfoque abierto de Explosion permite a los usuarios entrenar sus propios modelos y adaptar los comportamientos a sus necesidades. En todos los casos, apreciamos el rendimiento y la velocidad de procesamiento de esta biblioteca, que es una de las líderes en su campo. Además, proporcionan una serie de plantillas preentrenadas que le permiten realizar rápidamente tareas en varios idiomas.
Introducido en mayo de 2023, el módulo spacy-llm acorta la brecha entre estos dos enfoques, ofreciendo los beneficios de la salida estructurada como ‘antes’ y el nuevo poder de estos nuevos modelos. Como de costumbre, esta biblioteca permite iniciar rápidamente un pipeline de procesamiento basado en enfoques generativos.
Tarea NER con Spacy-LLM
Spacy-LLM proporciona una serie de tareas de procesamiento del lenguaje natural listas para usar, como el reconocimiento de entidades nombradas, clasificación de texto, lematización, extracción de relaciones, análisis de sentimientos, categorización de fragmentos y resumen. En este artículo, nos enfocamos en la primera de ellas: el reconocimiento de entidades nombradas.
- Cómo construir un almacén de características de IA/ML con ScyllaDB NoSQL
- Crea tu propio PandasAI con LlamaIndex
- OpenAI abre las puertas a la IA empresarial
![Ejemplo de reconocimiento de entidades (fuente: Explosion)](https://miro.medium.com/v2/resize:fit:640/format:webp/1*P-fZI6JHFPYsj6ge1AYOQQ.png)
¿Todavía necesito explicar cómo se extraen las entidades nombradas? Si es así, te invito a descubrir mi artículo sobre NER con LLMs, que es una buena introducción al uso de NER y…
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Evolución en tu código Entendiendo y programando un algoritmo genético desde cero – Parte 1
- Este artículo de IA identifica las dinámicas populares en la autenticación de smartphones tanto a nivel comportamental como fisiológico, y su rendimiento con varios algoritmos de aprendizaje profundo y aprendizaje automático.
- Autoencoders Adversarios Acortando la brecha entre Autoencoders y GANs
- ¿Quién necesita editores de fotos?! – Tutorial masivo de manipulación de imágenes en Python
- Entrevista del 30 aniversario de VoAGI con el fundador Gregory Piatetsky-Shapiro
- ¡Feliz 30º Aniversario VoAGI!
- Comprendiendo el Lado Oscuro de los Modelos de Lenguaje Grandes Una Guía Completa sobre Amenazas de Seguridad y Vulnerabilidades