IBS Software a conçu un modèle d'AI NER bilingue pour la logistique du fret sur Bedrock

L'AWS Machine Learning Blog a publié une analyse technique qui montre comment IBS Software a conçu un système bilingue de reconnaissance d'entités nommées (NER) pour la logistique du fret. L'entreprise s'appuie sur la distillation de connaissances token-based, sur la plateforme Amazon Bedrock.

Qu'est-ce que la NER et à quoi sert-elle dans la logistique

La Named Entity Recognition (NER) est une tâche de traitement du langage naturel : le modèle repère et classe des entités précises dans un texte, comme des noms d'entreprises, des adresses, des numéros de conteneurs, des dates ou des noms de ports. Dans la logistique du fret, les documents (lettres de voiture, déclarations en douane, instructions) arrivent souvent en plusieurs langues. Extraire ces données à la main reste un processus laborieux et sujet aux erreurs.

Comment fonctionne la distillation de connaissances token-based

La distillation de connaissances (knowledge distillation) consiste à entraîner un modèle plus compact à reproduire le comportement d'un grand modèle. Le modèle compact conserve l'essentiel de la précision, pour un coût de calcul nettement inférieur. L'approche token-based applique la distillation au niveau de chaque token du texte. C'est un point clé pour la NER, où la précision de l'annotation de chaque mot de la phrase est critique.

• Technologie — modèle NER bilingue (bilingual) pour la logistique du fret
• Méthode d'entraînement — distillation de connaissances token-based (knowledge distillation)
• Plateforme — Amazon Bedrock, avec les fonctionnalités de distillation de connaissances d'AWS
• Auteur du cas d'usage — IBS Software

En misant sur la distillation de connaissances plutôt que sur le déploiement d'un grand modèle de langage complet, IBS Software obtient une précision de reconnaissance des entités acceptable pour un coût d'inférence plus faible. Un enjeu critique pour les entreprises logistiques, qui traitent chaque jour de gros volumes de documents.

Ce que cela signifie

Le cas d'IBS Software illustre un schéma pratique pour les secteurs aux données très spécialisées et multilingues : il n'est pas obligatoire de maintenir en production un modèle généraliste lourd. Un modèle distillé compact, entraîné pour une tâche précise comme la NER, peut la traiter plus efficacement et à moindre coût.