Extraction d'entités

Définition

L'extraction d'entités est le fait de tirer d'un texte non structuré des informations structurées précises — noms, numéros de commande, dates, produits ou montants — pour qu'un système puisse agir dessus.

Aussi connu sous : reconnaissance d'entités nomméesNERremplissage de slots

Comment cela fonctionne

Face à un message comme « je n'ai toujours pas reçu la commande #10432 du 3 mars », l'extraction d'entités identifie #10432 comme un numéro de commande et le 3 mars comme une date. Les approches classiques s'appuient sur des modèles de reconnaissance d'entités nommées (NER) ; les agents fondés sur des LLM peuvent extraire les entités directement et les faire correspondre aux champs qu'attend un outil.

Les valeurs extraites sont ce qu'un agent transmet à un outil personnalisé ou à un appel d'API : impossible de retrouver une commande sans avoir d'abord isolé son numéro dans la phrase.

Pourquoi c'est important pour le support

L'extraction d'entités est le pont entre le langage naturel et le passage à l'action. Combinée à la reconnaissance d'intention, elle permet à un agent IA de passer de « le client veut suivre la commande #10432 » à l'appel effectif de votre système de commandes et au renvoi du statut en direct — toute la différence entre décrire un processus et le mener à bien.

Questions fréquentes

Quelle est la différence entre l'extraction d'entités et la NER ?

La reconnaissance d'entités nommées (NER) est le terme classique pour l'extraction d'entités comme les personnes, les lieux et les dates. « Extraction d'entités » s'emploie plus largement et, dans le support, couvre souvent des champs propres à l'entreprise, comme un numéro de commande ou de compte.

Pourquoi un agent IA a-t-il besoin de l'extraction d'entités ?

Pour agir sur une demande, il doit isoler les éléments précis — numéro de commande, e-mail, date — dans un texte libre et les transmettre à un outil ou à une API. Sans cela, l'agent comprend l'intention mais ne peut pas l'exécuter.

Comment les custom tools agissent sur des données en temps réel

Termes liés

Reconnaissance d'intention

La reconnaissance d'intention est le processus qui consiste à identifier, à partir de son message, ce que le client cherche à accomplir — par exemple « suivre une commande », « demander un remboursement » ou « résilier un abonnement » — afin que le système puisse l'orienter ou le résoudre correctement..

Traitement du langage naturel (NLP)

Le traitement du langage naturel (NLP) est le domaine de l'IA qui vise à permettre aux ordinateurs de comprendre, d'interpréter et de générer le langage humain — le socle de tâches comme la reconnaissance d'intention, l'analyse de sentiment et la classification de texte..

Classification de texte

La classification de texte est la tâche consistant à attribuer automatiquement une catégorie ou une étiquette à un texte — par exemple taguer un ticket de support par sujet, par langue ou par priorité..

Appel de fonctions

L'appel de fonctions est la capacité qu'a un modèle de langage de demander l'exécution d'une fonction ou d'une API prédéfinie — en renvoyant le nom de la fonction et des arguments structurés — afin de récupérer des données en direct ou d'agir, au lieu de seulement produire du texte..

Outils personnalisés

Chez Macha, un outil personnalisé permet à un agent IA d'appeler n'importe quel point de terminaison d'API HTTP que vous configurez — un agent peut ainsi lire des données en direct ou agir dans un système pour lequel Macha ne propose pas de connecteur natif, sans attendre une application du marketplace..

Passez à l'action

Macha est une couche d'agents IA qui se pose sur le help desk que vous utilisez déjà, Zendesk, Freshdesk, Front, Intercom ou Gorgias.

Démarrer l'essai