Named Entity Recognition (NER) - Entitätenerkennung

Named Entity Recognition (NER) erkennt in Texten benannte Entitäten wie Personen, Orte, Organisationen, Daten oder Beträge und ordnet sie einem Typ zu.

Kategorie:KI & Machine Learning

Named Entity Recognition (NER), auf Deutsch Eigennamen- oder Entitätenerkennung, ist eine Technik der Sprachverarbeitung, die in einem Text die sogenannten benannten Entitäten findet und einem Typ zuordnet. Aus dem Satz "Die Neumannsland GmbH überwies am 3. Mai 12.000 Euro an einen Lieferanten in München" extrahiert ein NER-System die Organisation (Neumannsland GmbH), das Datum (3. Mai), den Betrag (12.000 Euro) und den Ort (München). Aus unstrukturiertem Fließtext werden so strukturierte, maschinell weiterverarbeitbare Felder.

Typische Entitätstypen

  • Personen - Namen von Menschen.
  • Organisationen - Firmen, Behörden, Institutionen.
  • Orte - Städte, Länder, Adressen.
  • Zeitangaben - Daten, Fristen, Zeiträume.
  • Beträge und Kennungen - Geldbeträge, Rechnungs- oder Vertragsnummern, IBANs.

Welche Typen konkret gesucht werden, hängt vom Anwendungsfall ab - in einem Rechnungsprozess sind es andere als in einer juristischen Aktenanalyse.

Konzept, nicht Werkzeug - die Abgrenzung

Dieser Begriff erklärt das Konzept - was Entitätenerkennung ist und wozu sie dient. GLiNER ist dagegen ein konkretes, lokal lauffähiges Modell, das NER umsetzt und dabei ohne feste Typliste auskommt. NER ist also die Aufgabe; GLiNER eine mögliche Lösung dafür. Umgesetzt wird die Aufgabe von klassischen, trainierten NER-Modellen bis hin zu modernen Sprachmodellen, die Entitäten per Anweisung extrahieren.

Wozu NER in der Praxis dient

NER ist ein zentraler Baustein der automatischen Dokumentenverarbeitung. Nachdem ein Dokument per Dokumentenklassifizierung dem richtigen Typ zugeordnet wurde, holt NER die relevanten Felder heraus - bei einer Rechnung etwa Rechnungssteller, Datum, Betrag und Nummer. Diese Felder fließen dann direkt in nachgelagerte Systeme wie Buchhaltung oder ERP. Damit ist NER ein Kernschritt im Intelligent Document Processing. Bei bildhaften Dokumenten arbeitet es mit vorgelagerter Texterkennung und Computer Vision zusammen.

Named Entity Recognition bei Elasticbrains

Wir bauen Extraktionsstrecken, die aus Rechnungen, Verträgen und E-Mails genau die Felder ziehen, die Ihre nachgelagerten Prozesse brauchen - und das DSGVO-konform, bei Bedarf lokal. Mehr dazu auf unserer Leistungsseite KI-Dokumentenverarbeitung.

Häufige Fragen

Was ist Named Entity Recognition (NER)?
Named Entity Recognition, auf Deutsch Entitätenerkennung, ist eine Technik der Sprachverarbeitung, die in einem Text benannte Entitäten wie Personen, Orte, Organisationen, Daten oder Beträge findet und einem Typ zuordnet. Aus Fließtext werden so strukturierte Felder.
Was ist der Unterschied zwischen NER und GLiNER?
NER ist das Konzept beziehungsweise die Aufgabe - benannte Entitäten in Text erkennen. GLiNER ist ein konkretes, lokal lauffähiges Modell, das diese Aufgabe umsetzt und dabei ohne feste Typliste auskommt. NER ist also die Aufgabe, GLiNER eine mögliche Lösung.
Wofür wird NER in der Dokumentenverarbeitung genutzt?
NER holt aus einem Dokument die relevanten Felder heraus - bei einer Rechnung etwa Rechnungssteller, Datum, Betrag und Nummer. Diese Felder fließen dann direkt in nachgelagerte Systeme wie Buchhaltung oder ERP. Damit ist NER ein Kernschritt im Intelligent Document Processing.
Welche Entitätstypen erkennt NER typischerweise?
Häufig Personen, Organisationen, Orte, Zeitangaben sowie Beträge und Kennungen wie Rechnungsnummern oder IBANs. Welche Typen konkret gesucht werden, hängt vom Anwendungsfall ab - ein Rechnungsprozess braucht andere als eine juristische Aktenanalyse.

Verwandte Themen

Weitere Glossarbegriffe

LoRA & QLoRA - ressourcenschonendes Fine-Tuning

LoRA und QLoRA sind ressourcenschonende Fine-Tuning-Methoden. Statt alle Gewichte anzupassen, trainieren sie nur kleine Zusatzmatrizen - günstig und schnell.

MCP-Server - Werkzeuge und Daten für KI-Agenten bereitstellen

Ein MCP-Server stellt einem KI-Agenten nach dem Model Context Protocol Werkzeuge, Daten und Aktionen bereit - und bindet so ein Unternehmenssystem an die KI an.

PII-Anonymisierung - personenbezogene Daten vor der KI schützen

PII-Anonymisierung erkennt personenbezogene Daten vor der LLM-Verarbeitung und entfernt oder maskiert sie - ein DSGVO-Kern für KI-Anwendungen.

Zurück zum Glossar

Bereit, das in die Praxis zu bringen?

Lassen Sie uns in einem kostenlosen Erstgespräch über Ihr Vorhaben sprechen - unverbindlich und konkret.