La reconnaissance d’entités nommées (NER, pour Named Entity Recognition) représente l’une des tâches les plus structurantes de l’annotation de texte pour le traitement automatique du langage naturel. Identifier et délimiter dans un document brut les mentions de personnes, d’organisations, de lieux, de dates ou de concepts sectoriels permet aux modèles de langage d’accéder à une compréhension fine du sens porté par les textes. La NER constitue ainsi un prérequis à de nombreuses applications : extraction d’information depuis des contrats, indexation sémantique de documents médicaux, alimentation de bases de connaissances, amélioration des moteurs de recherche internes ou encore surveillance de marques dans des flux textuels à grande échelle.
Mais réaliser ce travail correctement exige une méthode rigoureuse. Contrairement à une tâche de classification de document, où le jugement de l’annotateur porte sur un sens global, l’annotation de texte orientée NER opère au niveau du token : chaque décision de frontière, chaque choix de type d’entité produit un effet direct sur la qualité du corpus livré et, in fine, sur les performances du modèle entraîné. Cette granularité extrême transforme chaque ambiguïté du schéma en source d’incohérence à grande échelle dès lors que le projet mobilise plusieurs annotateurs sur plusieurs semaines.
Cet article, complémentaire du guide complet de l’annotation de texte pour le NLP, examine les trois dimensions méthodologiques qui conditionnent la réussite d’un projet NER : la conception du schéma d’entités, la gestion des frontières, et le traitement des entités imbriquées ou discontinues.
La reconnaissance d’entités nommées, tâche phare de l’annotation de texte
La NER est une tâche d’annotation de texte qui consiste à détecter, dans un flux de tokens, des unités nommées appartenant à des catégories définies à l’avance. Ces unités représentent des entités du monde réel : une personne physique ou morale, un lieu géographique, une date, un montant, un produit, un concept réglementaire. Leur identification dans un texte constitue la base de tout pipeline d’extraction d’information structuré.
L’intérêt de la NER réside dans sa polyvalence sectorielle. Dans le domaine médical, l’annotation de texte NER permet d’extraire des noms de médicaments, de diagnostics et d’actes codifiés depuis des comptes rendus cliniques. En droit, elle identifie des parties contractantes, des références légales et des juridictions. En finance, elle détecte des noms d’entreprises, des cours et des indices boursiers. Dans les ressources humaines, elle extrait des titres de postes, des compétences et des diplômes depuis des milliers de curriculum vitae. Dans chaque cas, le corpus annoté alimente un extracteur capable de traiter des volumes documentaires qu’aucune équipe humaine ne pourrait analyser manuellement à coût raisonnable.
La NER se distingue des autres tâches d’annotation de texte par la précision qu’elle exige au niveau du token. Une classification binaire, par exemple, tolère une certaine incertitude : l’unité de travail est le document entier, et le jugement porte sur un sens global. La NER, elle, impose de trancher à chaque position : cette mention est-elle une entité ? De quel type ? Commence-t-elle ici ou un mot plus tôt ? S’arrête-t-elle avant ou après la ponctuation ? Ces questions, posées plusieurs centaines de fois par document et des dizaines de milliers de fois sur un projet complet, transforment chaque ambiguïté du schéma en erreur reproductible à grande échelle.
La NER est historiquement l’une des premières tâches à avoir fait l’objet d’évaluations partagées dans la communauté NLP, notamment à travers les conférences CoNLL depuis les années 2000. Les types d’entités fondateurs (PERSONNE, ORGANISATION, LIEU, DIVERS) constituent encore aujourd’hui le socle de la majorité des schémas génériques, mais les applications modernes ont considérablement élargi ce périmètre. Les schémas spécialisés peuvent aujourd’hui comporter trente types d’entités ou davantage, ce qui amplifie d’autant les enjeux de l’annotation de texte en termes de formation, de cohérence et de contrôle qualité.
La reconnaissance d’entités nommées est une tâche d’annotation de texte qui consiste à délimiter et à typer des mentions de référence dans un corpus brut. Son application couvre des secteurs aussi divers que la santé, le droit, la finance et l’industrie, et constitue un prérequis indispensable à toute chaîne d’extraction d’information à grande échelle.
Concevoir le schéma d’entités, décision fondatrice en annotation de texte
Avant d’annoter le premier document, l’équipe de projet doit définir le schéma d’entités. C’est la matrice de l’annotation de texte NER : elle liste les types d’entités à reconnaître, les définit précisément et fixe les règles de résolution des cas ambigus. Un schéma mal conçu se paye en incohérences massives à mesure que le corpus grossit, et la correction a posteriori d’un corpus de plusieurs dizaines de milliers de documents représente un coût disproportionné par rapport à l’investissement d’une conception rigoureuse en amont.
Sélectionner les types d’entités
Les schémas NER dits génériques comprennent un noyau commun : PERSONNE, ORGANISATION, LIEU, DATE, TEMPS, MONTANT et POURCENTAGE. Ces sept types suffisent pour de nombreuses applications de veille ou d’indexation généraliste. Les schémas spécialisés y ajoutent des types sectoriels : MEDICAMENT, DIAGNOSTIC et ACTE_MEDICAL pour la santé ; PARTIE, CLAUSE et JURIDICTION pour le droit ; SOCIETE_COTEE, INDICE et INSTRUMENT_FINANCIER pour la finance.
La tentation est de multiplier les types pour couvrir tous les cas de figure. C’est une erreur récurrente en annotation de texte NER : un schéma trop granulaire génère des incohérences inter-annotateurs, car les frontières conceptuelles entre types proches deviennent floues. Un annotateur hésite entre SYMPTOME et DIAGNOSTIC, entre EMPLOYEUR et ORGANISATION. Il vaut mieux commencer avec sept à douze types clairement définis, puis étendre itérativement le schéma sur la base des difficultés constatées en production, plutôt que de vouloir tout anticiper dès la première version.
Rédiger les définitions d’entités
Chaque type d’entité doit être accompagné d’une définition opérationnelle : ce qu’il inclut, ce qu’il exclut, et comment il se distingue des types voisins. Ces définitions sont complétées par des exemples positifs, qui illustrent les mentions à annoter, et par des exemples contrastifs, qui montrent les mentions qui ressemblent au type sans en faire partie.
Dans un schéma médical, MEDICAMENT désigne les noms de molécules et de spécialités commerciales, mais pas les classes thérapeutiques génériques telles que « antibiotique » ou « anti-inflammatoire », qui relèvent d’un type CLASSE_THERAPEUTIQUE distinct. La note de schéma précise qu' »aspirine » est un MEDICAMENT, que « AINS » est une CLASSE_THERAPEUTIQUE, et que « le traitement » sans désignation explicite ne reçoit aucune annotation. Ce travail de rédaction, souvent négligé au démarrage d’un projet, conditionne directement la reproductibilité de l’annotation de texte sur toute la durée du projet et réduit significativement le temps de formation des nouveaux annotateurs.
Valider le schéma sur un lot pilote
Avant le lancement en production, il est indispensable d’annoter un lot pilote de cent à deux cents documents avec le schéma provisoire. Ce lot fait émerger les cas que le schéma n’a pas anticipés, les types que les annotateurs confondent systématiquement, et les définitions qui manquent de précision. À l’issue du lot pilote, le schéma est révisé, la formation est ajustée et un accord inter-annotateurs de référence est mesuré. Ce n’est qu’à ce stade que la production à grande échelle peut démarrer sans risque majeur de corruption du corpus. Les équipes qui sautent cette étape par souci de rapidité constatent presque invariablement qu’elles doivent réannoter une partie substantielle du corpus quelques semaines plus tard.
La gestion des frontières d’entités, enjeu central de l’annotation de texte NER
Les frontières d’entités représentent le point de friction le plus fréquent en annotation de texte pour la NER. Une erreur de frontière produit un token en trop ou en moins, ce qui dégrade les métriques d’évaluation du modèle et génère des extractions incorrectes en conditions réelles. Les études d’accord inter-annotateurs montrent régulièrement que les divergences de frontière sont plus fréquentes que les divergences de type : les annotateurs s’accordent généralement sur la nature d’une entité avant de s’accorder sur ses limites exactes.
La gestion des frontières d’entités est un enjeu central de l’annotation de texte NER. Elle détermine avec précision où commence et où se termine chaque entité dans le flux textuel, et conditionne directement la qualité et l’exploitabilité du corpus livré.
La règle d’inclusion maximale
La majorité des guides d’annotation NER recommandent d’appliquer la règle d’inclusion maximale : on inclut dans l’entité tous les tokens qui lui appartiennent sémantiquement, y compris les déterminants, les adjectifs qualificatifs et les appositions qui font partie intégrante du nom propre ou de la désignation.
Ainsi, « la Cour de cassation » est annotée en une seule entité ORGANISATION couvrant les quatre tokens, et non réduite à « Cour de cassation » sans l’article initial. De même, « la ville de Lyon » est annotée sur quatre mots si le contexte indique qu’il s’agit de la collectivité et non d’une simple occurrence du toponyme. Cette règle simplifie le travail des annotateurs en évitant les hésitations sur les déterminants, mais elle doit être appliquée de façon cohérente sur l’ensemble du corpus sans exception, car la moindre violation ponctuelle crée des faux négatifs que le modèle apprend et reproduit.
Déterminants, prépositions et ponctuation
Les cas de frontière les plus ambigus concernent la ponctuation intercalée, les prépositions et les parenthèses. Faut-il inclure la virgule qui suit une entité PERSONNE dans une liste ? La réponse est non, car la virgule n’appartient pas sémantiquement à l’entité. Faut-il inclure entre parenthèses un sigle si celui-ci désigne la même entité que le syntagme précédent ? Le guide d’annotation doit trancher explicitement : on annote le sigle séparément comme une entité distincte, ou on intègre la parenthèse à l’entité principale.
Chaque règle de ponctuation doit être formulée dans le guide avec un exemple textuel réel, extrait autant que possible du corpus cible. L’absence de règle génère des incohérences massives, car chaque annotateur tranche différemment au fil des milliers de décisions prises par session de travail. Sur un corpus de cinquante mille documents, un taux d’incohérence de 2 % sur la gestion des parenthèses représente déjà mille documents à corriger.
Entités à cheval sur une frontière syntaxique
Certaines entités traversent des structures syntaxiques inhabituelles. Un nom d’organisation peut apparaître fragmenté par une incise (« Sanofi, groupe pharmaceutique mondial basé à Paris, a annoncé… »), un titre de document peut être réparti sur deux phrases dans un résumé automatique, ou une entité peut inclure une abréviation suivie d’un développement entre parenthèses. Ces cas doivent être répertoriés et documentés avec des exemples issus du corpus réel dès la phase pilote, car leur traitement ne peut pas être déduit des règles générales sans risque d’erreur.
Entités imbriquées et discontinues : les cas complexes de l’annotation de texte
L’annotation de texte NER atteint sa complexité maximale lorsque les entités ne sont pas des segments linéaires et disjoints. Deux situations posent des défis spécifiques : les entités imbriquées et les entités discontinues. Les deux exigent des décisions méthodologiques explicites avant le lancement de la production, car elles ont des implications directes sur l’outillage, sur la formation des annotateurs et sur l’architecture du modèle entraîné.
Les entités imbriquées et les entités discontinues représentent les cas les plus exigeants de l’annotation de texte NER. Leur traitement requiert des schémas de balisage adaptés et des choix méthodologiques explicites dès la phase de conception du projet.
Les entités imbriquées
Une entité imbriquée est une entité contenue dans une autre entité de type différent. Dans la phrase « le directeur général de Total Énergies », la mention « Total Énergies » est une entité ORGANISATION, et la mention complète « le directeur général de Total Énergies » peut être une entité POSTE_ET_AFFILIATION selon le schéma. Les deux annotations se recouvrent partiellement sur les tokens « Total Énergies ».
Le format BIO standard (Beginning, Inside, Outside) ne gère pas les imbrications : une position dans la séquence ne peut recevoir qu’une seule balise. Pour traiter les entités imbriquées, il faut recourir à des formats multi-couches, à des annotations de type span (intervalles de caractères plutôt que séquences de tokens), ou décider de simplifier le schéma en privilégiant une seule couche d’annotation. La décision doit être prise avant le lancement, car une conversion de format en milieu de projet est coûteuse et expose à des pertes d’information.
Les schémas de balisage
Le schéma de balisage est la représentation formelle des entités dans les fichiers de sortie du projet d’annotation de texte. Le format BIO (B pour Beginning, I pour Inside, O pour Outside) est le plus répandu : chaque token reçoit une balise indiquant s’il ouvre une entité (B-TYPE), s’il se situe à l’intérieur d’une entité (I-TYPE), ou s’il est hors entité (O). Le format BIOES ajoute deux balises supplémentaires : S (Single) pour une entité d’un seul token, et E (End) pour le dernier token d’une entité multi-tokens. Ce dernier format est souvent préféré pour les modèles à séquences, car il fournit un signal explicite sur les deux frontières de chaque entité.
Le choix du schéma de balisage doit être harmonisé entre l’équipe d’annotation de texte et les ingénieurs machine learning qui entraînent le modèle. Un écart de format entre le corpus produit et le pipeline d’entraînement génère des conversions coûteuses et des erreurs silencieuses difficiles à diagnostiquer lors des premières évaluations.
Les entités discontinues
Une entité discontinue est une entité dont les tokens constituants ne sont pas contigus dans le texte. On les rencontre notamment dans les textes juridiques complexes, dans les documents techniques à structure tabulaire ou dans les corpus oraux transcrits. Par exemple, dans « l’azote et le soufre ont été détectés », chaque élément chimique forme une entité distincte et non un groupe continu. Ces cas sont rares dans la majorité des schémas NER standard, mais leur traitement doit être défini explicitement dans le guide pour éviter des divergences entre annotateurs sur l’ensemble du corpus.
Former et calibrer les annotateurs en annotation de texte NER
La formation des annotateurs est déterminante dans un projet d’annotation de texte NER. Les erreurs systématiques issues d’une formation insuffisante se propagent sur des dizaines de milliers de documents avant d’être détectées par le contrôle qualité. Investir dans la formation initiale est toujours plus rentable que de corriger un corpus corrompu en cours de production, et les équipes qui allouent du temps à la formation continue constatent des gains de cohérence mesurables sur l’ensemble du projet.
Former sur les cas litigieux
La formation initiale ne doit pas se limiter à la présentation du schéma. Elle doit confronter les annotateurs à des cas litigieux réels, extraits du corpus cible, pour lesquels la réponse correcte est débattue et argumentée collectivement. Ce format de formation par délibération améliore la cohérence intra-annotateur dès les premières semaines de production et constitue également une occasion précieuse d’identifier les insuffisances du guide d’annotation avant qu’elles ne se propagent à grande échelle. Des sessions de rafraîchissement sont recommandées dès que le contrôle qualité révèle une dérive, particulièrement sur les projets longue durée qui impliquent des rotations d’équipe.
L’accord inter-annotateurs
L’accord inter-annotateurs (IAA) mesure le degré de cohérence entre annotateurs sur un même document. En annotation de texte NER, le kappa de Cohen est la mesure la plus utilisée, appliquée séparément sur les types d’entités et sur les frontières. Un accord inférieur à 0,70 sur les types d’entités indique que le schéma est ambigu ou que la formation est insuffisante. Un accord inférieur à 0,60 sur les frontières révèle des divergences dans l’application des règles de délimitation. Dans les deux cas, la correction passe par une révision du guide et une session de recalibration avant de poursuivre la production à grande échelle.
Les gold standards et le contrôle qualité
Le contrôle qualité en annotation de texte NER repose sur deux outils complémentaires. Le gold standard est un ensemble de documents annotés par un expert de référence dont les réponses correctes sont connues et figées. Il permet de mesurer objectivement la précision de chaque annotateur et d’identifier les types d’entités sur lesquels une formation supplémentaire est nécessaire. Les honeypots sont des documents gold standard insérés de façon non annoncée dans les lots de production, pour détecter les dérives en temps réel sans attendre les revues formelles. Sur les projets à forte exigence de qualité, la vérification à 100 % par un contrôleur-annotateur senior est la norme, complétée par un échantillonnage par le département qualité pour garantir la cohérence globale du corpus sur la durée du projet.
L’annotation de texte NER dans des domaines spécialisés
Les besoins en annotation de texte NER varient fortement selon les secteurs d’application. Chaque domaine impose ses propres vocabulaires, ses propres ambiguïtés terminologiques et ses propres contraintes de qualité et de conformité. La polyvalence d’un schéma générique atteint rapidement ses limites dès lors que les entités cibles sont des concepts techniques que seul un expert du domaine peut délimiter avec précision.
NER clinique
En données de santé, l’annotation de texte NER s’applique à des documents hautement techniques : comptes rendus d’hospitalisation, notes opératoires, rapports de biopsie, transcriptions de consultations. Les entités à annoter couvrent les noms de médicaments, les diagnostics codifiés selon les nomenclatures ICD-10 ou SNOMED CT, les actes médicaux, les organes et structures anatomiques, et les résultats biologiques. Un terme comme « AINS » (anti-inflammatoire non stéroïdien) peut ne pas être reconnu comme entité de type MEDICAMENT par un annotateur non médical, et les abréviations cliniques constituent une source d’erreurs quasi systématique sans formation spécifique. L’encadrement par des praticiens est recommandé pour les tâches à forte technicité clinique. Par ailleurs, la conformité au RGPD (article 9 sur les données de santé) impose une pseudonymisation rigoureuse des corpus avant toute annotation externe, ainsi qu’un cadre contractuel de sous-traitance conforme aux exigences du règlement.
NER documentaire
Dans les contextes documentaires tels que l’extraction d’information depuis des contrats, des factures ou des formulaires administratifs, l’annotation de texte NER se combine souvent avec des tâches de reconnaissance de mise en page. L’entité ne se trouve pas seulement dans la séquence textuelle, mais dans un champ nommé, une cellule de tableau ou un paragraphe positionné spécifiquement dans la structure du document. Les modèles de type Document AI, comme LayoutLM et ses variantes, s’entraînent sur des corpus qui intègrent à la fois le contenu textuel et les coordonnées de position des éléments. La préparation de tels corpus, qui articule NER et classification de documents, est examinée dans notre article sur la classification de documents par annotation de texte.
NER multilingue
L’annotation de texte NER dans des langues autres que l’anglais soulève des défis spécifiques que les outils et les schémas génériques ne prennent pas toujours en compte. Le français présente des entités composées dont les frontières sont régies par des règles orthographiques propres : des institutions comme « la Caisse nationale d’assurance maladie » ou « le Conseil d’État » doivent être délimitées selon une convention explicite sur les majuscules et les déterminants. Les langues agglutinantes comme le turc ou le finnois posent des défis supplémentaires en termes de tokenisation, car une seule forme de mot peut encoder plusieurs informations morphologiques. Pour les projets multilingues, il est recommandé de maintenir un schéma d’entités unifié tout en adaptant les exemples illustratifs à chaque langue et en mobilisant des annotateurs natifs capables d’identifier les nuances terminologiques et culturelles qui influencent les décisions d’annotation.
Du schéma d’entités au modèle NER : le pipeline complet
Un projet d’annotation de texte NER ne s’arrête pas à la livraison du corpus. Il s’inscrit dans un pipeline itératif qui fait interagir l’équipe d’annotation et les ingénieurs machine learning tout au long du développement du modèle. Cette itération n’est pas un signe d’échec du premier jet : elle est inhérente à la nature des projets NLP et doit être planifiée dès la conception du projet.
Itérer sur le schéma
Les premières évaluations du modèle révèlent souvent des entités problématiques : certains types sont mal appris car les exemples du corpus sont trop homogènes ou trop peu nombreux, d’autres sont confondus car les définitions ne permettent pas au modèle de les discriminer avec confiance. Ces retours d’évaluation doivent alimenter une révision du schéma et, le cas échéant, une phase de re-annotation ciblée sur les types défaillants. Vouloir figer le schéma définitivement avant de voir les premières métriques du modèle est une erreur fréquente en annotation de texte, qui allonge considérablement les cycles de développement et génère des corpus dont une partie significative doit être ré-annotée.
Formats d’export et active learning
Les outils d’annotation de texte les plus répandus pour la NER, tels que Label Studio, Prodigy ou Doccano, exportent dans des formats variés : JSON-LINES, CoNLL, SpaCy native ou JSONL annoté. Le pipeline machine learning doit être capable d’ingérer le format de sortie de l’outil d’annotation, ou une étape de conversion doit être intégrée et testée explicitement dès le lot pilote pour éviter les surprises au moment de la première tentative d’entraînement. Par ailleurs, les approches d’active learning permettent d’optimiser la couverture du corpus en soumettant en priorité à l’annotation les documents sur lesquels le modèle est le moins confiant, réduisant ainsi le volume total d’annotation nécessaire pour atteindre un niveau de performance donné.
NER et automatisation : ce que les LLM peuvent et ne peuvent pas faire
Les grands modèles de langage ont démontré des capacités de reconnaissance d’entités nommées en mode zero-shot sur des schémas génériques. Pour des entités courantes comme PERSONNE, ORGANISATION ou LIEU, ils produisent des résultats exploitables sans corpus annoté. En revanche, dès que le schéma devient spécialisé, que les entités sont métier et que les frontières sont régies par des règles précises, les performances des LLM en mode automatique se dégradent significativement et leurs erreurs sont difficiles à auditer à grande échelle. L’approche hybride, qui utilise un LLM pour la pré-annotation et des annotateurs humains pour la vérification et la correction, offre un bon équilibre entre productivité et fiabilité sur les projets à schéma modérément spécialisé.
Pour les projets à haute exigence, notamment dans les domaines médical, juridique et industriel, l’annotation de texte entièrement supervisée par des équipes formées au domaine reste la garantie de la cohérence et de la traçabilité du corpus. Si votre organisation envisage de constituer un corpus NER ou d’évaluer la faisabilité d’un projet d’extraction d’information, contactez nos équipes pour bénéficier d’un accompagnement adapté à vos contraintes sectorielles et réglementaires.
