IBS Software a Construit un Modèle IA NER Bilingue pour la Logistique de Cargaison sur Bedrock

AWS Machine Learning Blog a publié une analyse technique sur la façon dont IBS Software a construit un système de reconnaissance d'entités nommées (NER) bilingue pour la logistique du fret en utilisant la distillation des connaissances basée sur les jetons sur la plateforme Amazon Bedrock.

Qu'est-ce que le NER et

Pourquoi la Logistique en a-t-elle Besoin

La reconnaissance d'entités nommées (NER) est une tâche de traitement du langage naturel où un modèle trouve et classifie des entités spécifiques dans le texte: noms d'entreprises, adresses, numéros de conteneurs, dates, noms de ports. Dans la logistique du fret, les documents (factures, déclarations douanières, instructions) arrivent souvent dans différentes langues, et l'extraction manuelle de données à partir d'eux est un processus laborieux et sujet aux erreurs.

Comment

Fonctionne la Distillation des Connaissances Basée sur les Jetons

La distillation des connaissances est une technique où un modèle plus petit et plus compact est entraîné à reproduire le comportement d'un modèle plus grand tout en conservant la plupart de sa précision avec des coûts de calcul nettement inférieurs. L'approche basée sur les jetons applique la distillation au niveau des jetons de texte individuels, ce qui est particulièrement important pour la tâche de NER, où la précision du marquage de chaque mot dans une phrase est critique.

• Technologie—modèle NER bilingue pour la logistique du fret
• Méthode d'entraînement—distillation des connaissances basée sur les jetons
• Plate-forme—Amazon Bedrock, exploitant les capacités de distillation des connaissances d'AWS
• Auteur de l'étude de cas—entreprise IBS Software

L'utilisation de la distillation des connaissances au lieu du déploiement d'un grand modèle de langage de taille complète permet à IBS Software d'atteindre une précision de reconnaissance d'entités acceptable à des coûts d'inférence plus faibles—essentiel pour les entreprises de logistique traitant de grands volumes de documents quotidiennement.

Ce que Cela Signifie

L'étude de cas IBS Software démontre un modèle pratique pour les industries ayant des données spécialisées et multilingues: il n'est pas nécessaire de maintenir un modèle universel lourd en production—un modèle distillé compact entraîné pour une tâche spécifique comme NER peut la résoudre de manière plus efficace et économique.