名前付き固有表現認識（NER）で洞察力を引き出す。AIが非構造化テキストを多様なアプリケーションのための実用的なデータに変換する方法をご覧ください。
固有表現認識(NER)は自然言語処理(NLP)の基本タスクであり、現代の人工知能(AI)の重要な構成要素である。構造化されていないテキストの中から、「名前付きエンティティ」と呼ばれる特定の情報を自動的に識別・分類する。これらのエンティティは通常、人、組織、場所、日付、製品名、金額など、実世界のオブジェクトを表している。NERの主な目的は、生のテキストを構造化されたデータに変換し、機械が理解、処理、および様々なAIのユースケースのための貴重な洞察を抽出しやすくすることである。
NERシステムは、テキストの言語構造と文脈を分析し、エンティティの位置と分類を行う。初期のシステムは文法規則と辞書（記号AIの一種）に大きく依存していたが、現代のアプローチは機械学習（ML）、特に深層学習（DL）を活用している。Transformersのようなモデルは、以下のようなプラットフォームでよく見られる。 Hugging FaceTransformersのようなモデルは、文脈や微妙な言語パターンを理解することに優れており、より高い精度につながる。このプロセスでは一般的に、トークン化に関連する技術を使用して潜在的なエンティティ（単語またはフレーズ）を特定し、それらを事前に定義されたカテゴリ（例：PERSON、ORGANIZATION、LOCATION、DATE、MISC）に分類する。この分類は、多くの場合NERタスクのために特別にアノテーションされた大規模なデータセットの学習中に学習された特徴に依存する。
例えば、「7月4日、サラ・ジョーンズはアクメ社の代表としてエッフェル塔を訪れた」という文章では、NERシステムは次のように識別する：
この構造化された出力は、データ分析やナレッジグラフへの入力といった下流のタスクにおいて、原文のみよりもはるかに有用である。より深い技術的な洞察については、NER技術に関する調査をご覧ください。
NERは、テキスト情報を構造化することで、様々な領域で数多くのアプリケーションを可能にする基礎技術である：
データのアノテーションや モデルのデプロイメントを含むNERモデルのMLライフサイクルの管理は、Ultralytics HUBのようなプラットフォームによって容易にすることができる。
NERはしばしば他のNLPタスクと並行して使用されるが、明確な焦点がある：
このような違いを理解することは、「コンピュータ・ビジョン・プロジェクトのステップ」（CVに焦点を当てているが、原理は当てはまる）のようなガイドに概説されているように、与えられた問題に対して適切なNLPテクニックを選択するために極めて重要である。
JA
EN
ZH
KO
RU
DE
FR
ES
PT
IT
AR
TR
VI
