Wat is Named Entity Recognition?

Wat is Named Entity Recognition eigenlijk?

Stel je voor dat je door een stapel kranten bladert op zoek naar alle keren dat een bepaald bedrijf wordt genoemd. Je zou alles moeten doorlezen en steeds met een markeerstift de naam moeten onderstrepen. Named Entity Recognition (vaak afgekort als NER) is een AI-techniek die dat automatisch doet — niet alleen voor bedrijfsnamen, maar ook voor personen, locaties, datums, geldbedragen en andere belangrijke begrippen in tekst.

Het is een onderdeel van Natural Language Processing: de AI leert patronen herkennen die aangeven dat iets een naam is. "Microsoft" komt vaak voor met woorden als "ontwikkelt" of "kondigt aan" — dat wijst erop dat het een bedrijf is. "Amsterdam" staat vaak bij "in" of "naar" — dat suggereert een plaats. De AI kijkt naar de context rondom woorden om te bepalen wat voor soort informatie het is.

Hoe werkt het in de praktijk?

Moderne NER-systemen gebruiken Large Language Models die getraind zijn op enorme hoeveelheden tekst. Ze hebben geleerd welke woorden typisch namen zijn en hoe die in zinnen voorkomen. Het werkt als een slim filter dat door je tekst loopt en labels plakt: "Dit is een persoon", "Dit is een organisatie", "Dit is een locatie".

Bij een nieuwsartikel over een bedrijfsovername zou de AI bijvoorbeeld automatisch herkennen:

• Personen: "directeur Jan Bakker"

• Bedrijven: "TechCorp" en "InnovatieGroep"

• Locaties: "Utrecht"

• Geldbedragen: "50 miljoen euro"

• Datums: "15 maart 2024"

De kracht zit 'm in snelheid en schaal: waar jij uren bezig zou zijn met handmatig onderstrepen, verwerkt de AI duizenden documenten in seconden.

Waarom zou jij hier iets aan hebben?

NER is overal waar grote hoeveelheden tekst georganiseerd moeten worden. Denk aan een klantenservice die duizenden e-mails binnenkrijgt — met NER kun je automatisch zien welke klanten (namen), producten en problemen het vaakst terugkomen. Of een juridische afdeling die contracten moet doorzoeken op alle vermeldingen van bepaalde partijen en datums.

In nieuwsmonitoring helpt het bedrijven om automatisch bij te houden wanneer ze genoemd worden in de media. Bij recruitment kunnen systemen cv's scannen op bedrijven waar kandidaten gewerkt hebben en opleidingen die ze gevolgd hebben. En chatbots gebruiken NER om te begrijpen over welk product of welke vestiging je het hebt.

Het scheelt enorm veel handwerk bij taken waar je anders met zoekfuncties en kleurcodering aan de slag zou moeten.

Waar kom je het tegen?

NER zit verweven in veel AI-toepassingen die met tekst werken:

• Zoeksystemen van nieuwsmedia en databanken gebruiken het om artikelen automatisch te categoriseren

• CRM-software haalt automatisch contactgegevens en bedrijfsnamen uit e-mails

• Compliance-tools in de financiële sector scannen documenten op personen en bedrijven die op sanctielijsten staan

• Social media monitoring identificeert merken, personen en locaties in posts

• Voice assistants zoals Siri of Google Assistant gebruiken NER om te begrijpen over welk contact of welke locatie je het hebt

In platforms als spaCy, Hugging Face Transformers en AWS Comprehend zit NER als standaardfunctie ingebouwd. Ook ChatGPT, Claude en andere chatbots gebruiken interne NER-mechanismen om te begrijpen over welke specifieke dingen je praat.

Beperkingen waar je rekening mee moet houden

NER is niet foutloos. Bij nieuwe of ongebruikelijke namen — zoals startups of buitenlandse plaatsnamen — gaat het vaker mis. Ook bij dubbelzinnigheid: "Washington" kan een persoon, een stad of een staat zijn. De context helpt meestal, maar niet altijd.

Daarnaast is NER getraind op bestaande teksten, wat betekent dat het minder goed werkt in specialistische vakgebieden met eigen terminologie (medisch, juridisch) tenzij het specifiek daarvoor is bijgetraind.

Wat kun je ermee?

Als je regelmatig met grote hoeveelheden tekst werkt — of dat nu klantfeedback, contracten, nieuwsartikelen of social media posts zijn — dan is NER een handige techniek om te kennen. Het helpt je om structuur aan te brengen in ongestructureerde informatie, zonder dat je zelf alles handmatig hoeft door te lezen.

Wil je ermee experimenteren? Probeer tools als spaCy (gratis, Python-bibliotheek) of test de NER-functie in Hugging Face-modellen via hun online demo's. Zo krijg je snel een gevoel voor wat het wel en niet kan herkennen in jouw specifieke teksten.