Hvad betyder Named entity recognition?
Named entity recognition, forkortet NER, finder og kategoriserer bestemte enheder i tekst. Et system kan eksempelvis markere et virksomhedsnavn, en person og en dato i en mail. Resultatet er typisk tekstens position, den fundne tekst og en kategori.
NER er ikke det samme som at kende entitetens identitet i et register. At ordet Aarhus genkendes som et sted, afgør ikke, hvilken adresse en ordre skal leveres til. At et navn markeres som person, betyder heller ikke, at det er den samme person som i CRM. Denne kobling kaldes ofte entity linking eller kræver anden validering.
Kvaliteten afhænger af sprog, domæne og de kategorier, modellen er trænet eller konfigureret til. Interne produktnavne, forkortelser og sagsnumre kan kræve særlige regler eller eksempler. Derfor bør en standardmodel ikke antages at dække alle virksomhedens vigtige oplysninger.
Definér kategorier og grænser i teksten
Aftal, hvilke entiteter der er relevante, og hvor deres tekstgrænser går. Er Nordisk Teknik A/S én organisation, og skal selskabsformen med? Er en formulering som næste fredag en dato, der skal normaliseres i forhold til et tidsstempel? En tydelig annoteringsvejledning gør test og videre behandling mere konsekvent. Brug eventuelt regler til stabile mønstre og en model til kontekstafhængige navne; metoderne kan supplere hinanden.
Valider før fundet bliver en handling
Gem fundets placering, så brugeren kan se det i den originale tekst. Hvis navnet skal matches til en kunde, skal identiteten afklares særskilt med autoritative oplysninger og rettigheder. Ved maskering af persondata skal I også undersøge oversete entiteter og indirekte identifikation. En høj precision på fundne navne er ikke nok, hvis modellen overser mange af de personer, der skulle beskyttes.
Et eksempel fra praksis
Illustrativt eksempel: Et bureau vil strukturere indgående projektforespørgsler. NER foreslår firmanavn, kontaktperson og ønsket lanceringsdato. Teksten nævner både kundens virksomhed og en konkurrent som inspiration. Systemet viser derfor fundene i deres sammenhæng, og et separat trin afgør, hvilken organisation der er afsender. Det undgår, at et korrekt genkendt konkurrentnavn bliver oprettet som den nye kunde i CRM.
Typiske faldgruber
- At forveksle genkendelse af et navn med sikker identitetsmatchning.
- At bruge generelle kategorier uden at teste virksomhedens fagord.
- At overse tekstgrænser, relative datoer og flere mulige roller.
Det skal I afklare
- Definér entitetskategorier og annoteringsregler.
- Test både forkerte fund og oversete oplysninger.
- Bevar tekstposition og valider kobling til registre særskilt.
Spørgsmål og svar
Kan NER finde virksomhedsspecifikke produktnavne?
Ja, med egnede regler, ordlister eller tilpassede modeller. Test på nye og tvetydige navne, så løsningen ikke kun genkender det materiale, den er udviklet på.
Er NER en anonymiseringsløsning?
Det kan være et trin i redigering af oplysninger. Anonymisering kræver også ændring af materialet og vurdering af resterende identifikationsmuligheder.
Kilder og videre læsning
De tekniske begreber bygger på nedenstående kilder. Eksemplerne er illustrative og viser, hvordan I kan arbejde med emnet.
- spaCy: Linguistic Features ↗Primærkilde gennemgået 7. september 2026.
- Hugging Face: Token classification ↗Primærkilde gennemgået 7. september 2026.