IBS Software cria modelo de AI bilíngue de NER para logística de cargas no Bedrock

O AWS Machine Learning Blog publicou uma análise técnica sobre como a IBS Software construiu um sistema bilíngue de reconhecimento de entidades nomeadas (NER) para logística de cargas. A empresa usou destilação de conhecimento baseada em tokens na plataforma Amazon Bedrock.

O que é NER e por que a logística precisa dele

Named Entity Recognition (NER) é uma tarefa de processamento de linguagem natural em que o modelo identifica e classifica entidades específicas em um texto, como nomes de empresas, endereços, números de contêineres, datas e nomes de portos. Na logística de cargas, documentos como conhecimentos de embarque, declarações aduaneiras e instruções costumam chegar em idiomas diferentes. Extrair esses dados manualmente é um processo trabalhoso e sujeito a erros.

Como funciona a destilação de conhecimento baseada em tokens

A destilação de conhecimento (knowledge distillation) é uma técnica em que um modelo mais compacto aprende a reproduzir o comportamento de um modelo maior. Com isso, ele preserva a maior parte da precisão com um custo computacional bem menor. A abordagem baseada em tokens aplica a destilação no nível de cada token do texto. Isso é especialmente importante para NER, tarefa em que a precisão da marcação de cada palavra da frase é crítica.

• Tecnologia — modelo bilíngue (bilingual) de NER para logística de cargas
• Método de treinamento — destilação de conhecimento baseada em tokens (knowledge distillation)
• Plataforma — Amazon Bedrock, com os recursos de destilação de conhecimento da AWS
• Autora do case — a empresa IBS Software

Ao usar destilação de conhecimento em vez de implantar um modelo de linguagem de grande porte completo, a IBS Software consegue uma precisão aceitável no reconhecimento de entidades com um custo de inferência menor. Esse ponto é crítico para empresas de logística que processam grandes volumes de documentos todos os dias.

O que isso significa

O case da IBS Software mostra um padrão prático para setores com dados altamente especializados e multilíngues: não é obrigatório manter em produção um modelo universal pesado. Um modelo destilado compacto, treinado para uma tarefa específica como NER, pode resolvê-la de forma mais eficiente e barata.