Extraia fatos de documentos confusos
Transforme mensagens de suporte em campos estruturados com extensões, regras, validação e revisão humana.
- Identifique trechos exatos para campos úteis em um documento
- Escolha uma regra, um modelo estatístico ou uma combinação para extração
- Valide valores extraídos e lide com campos incertos ou ausentes
Um agente de suporte recebe "Verifique o pedido ORD-1042. Paguei na terça-feira; responda para maya@example.com". Um sistema útil transforma o texto em campos: ID do pedido, data e endereço de contato. Extração de informações é mais do que localizar uma palavra: você deve manter a extensão exata, atribuir o campo correto, validar seu formato e decidir o que fazer quando ela estiver faltando.
Experimente
Até 15 XPAnotar uma mensagem de suporte
Selecione um tipo de campo e marque apenas os tokens que contêm o campo. Deixe palavras comuns sem tags. Em um projeto real, registre também as posições no texto inicial e final para que os revisores possam ver as evidências na mensagem original.
1. Escolha uma etiqueta
2. Clique nas palavras para etiquetá-las (clique de novo para limpar)
As regras são uma base útil
Se os IDs dos pedidos sempre seguirem ORD- mais quatro dígitos, uma expressão regular é barata e explicável. Ele ainda pode confundir um número de rastreamento com um número de pedido e perderá um novo formato. Um modelo de entidade estatística ajuda quando o contexto é importante e os exemplos são rotulados. Muitos sistemas combinam ambos: um modelo propõe um intervalo, regras o validam e casos incertos vão para uma pessoa.
1import re
2text = 'Check ord-1042, not PREORD-9999 or ORD-12345.'
3pattern = re.compile(r'\bORD-\d{4}\b', re.IGNORECASE)
4print([match.group().upper() for match in pattern.finditer(text)])['ORD-1042']
De uma demonstração a um fluxo de trabalho
Um pipeline de extração de produção pode seguir seis etapas:
- Receba um documento apenas com as permissões necessárias para a tarefa.
- Preservar o texto original e as posições no texto para que as pessoas possam inspecionar as evidências.
- Extraia trechos candidatos com uma regra ou modelo de entidade.
- Normalize e valide valores (por exemplo, colocar um ID de pedido em letras maiúsculas).
- Solicite revisão quando dois IDs entrarem em conflito ou um campo obrigatório estiver ausente.
- Armazene apenas os campos e referências de origem necessários para o fluxo de trabalho; proteja os dados de contato.
No processamento de faturas, o mesmo padrão pode extrair números de faturas, totais e datas de vencimento. Na área da saúde ou no trabalho jurídico, os requisitos de revisão e privacidade são ainda maiores. O guia de correspondência por regras do spaCy explica quando padrões, modelos e combinações são úteis.
Experimente
Até 15 XPEscolha o método de extração
Decida qual abordagem se adapta a cada campo. Uma abordagem combinada permite que um modelo sugira um intervalo enquanto uma regra verifica seu formato.
“Os IDs de pedido sempre começam com ORD- e têm quatro dígitos.”
“Encontre a pessoa referida por “ela” em um parágrafo.”
“Encontre o total da fatura em layouts variados e verifique se o valor em moeda é válido.”
“Identifique cada endereço de e-mail em uma nota de suporte.”
Principais conclusões
Os mapas de extração abrangem texto bruto até campos que um sistema pode usar.
Formatos estáveis favorecem regras; o significado ambíguo precisa de contexto e de exemplos frequentemente rotulados.
Valide valores, guarde evidências originais e revise casos incertos antes de agir.
Quiz da aula
5 perguntas · aprovação com 4 acertos · até 50 XP
Ao passar, você conclui a aula e mantém sua sequência. As perguntas erradas voltarão em sessões de revisão.
Pratique: aplique NLP com Python
Experimente cada ideia de processamento de texto em Python, execute com entradas de exemplo e use os resultados para ver onde o método funciona ou falha.
Extraia e normalize IDs de pedidos
Leia todas as linhas de entrada. Encontre IDs correspondentes a ORD- seguidos por exatamente quatro dígitos, ignorando letras maiúsculas e minúsculas. Imprima cada ID distinto em letras maiúsculas, na ordem em que foram vistos pela primeira vez, um por linha. Não corresponda ao ID dentro de uma palavra mais longa ou de um ID de cinco dígitos. Se nenhum for encontrado, imprima none.
- IDs repetidos e em letras minúsculas
- Rejeitar sósias
- Sem IDs
O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.
Dúvidas sobre esta lição
Travou em algum ponto? Pergunte. Descobriu algo? Compartilhe. Explicar também é uma ótima forma de aprender.
Carregando publicações…