Cos'è NER - Named Entity Recognition? Definizione Completa e Guida Pratica
Il Named Entity Recognition (NER) è la tecnologia NLP che identifica ed estrae automaticamente entità strutturate dal testo libero: nomi di persone, date, luoghi, prodotti, importi e altri elementi informativi. Nei chatbot di customer support, il NER trasforma conversazioni non strutturate in dati strutturati direttamente utilizzabili dai sistemi aziendali.
Cos'è il Named Entity Recognition?
Quando un utente scrive "Vorrei prenotare un tavolo per Marco Rossi, sabato 15 marzo alle 20:00 per 4 persone", un chatbot intelligente non dovrebbe chiedere di nuovo il nome, la data e l'ora: li ha già nel testo. Il NER è la tecnologia che estrae automaticamente queste informazioni strutturate dal linguaggio naturale.
Il NER classifica ogni token (parola) del testo in categorie predefinite: PER (persona), ORG (organizzazione), LOC (luogo), DATE (data), TIME (orario), PRODUCT (prodotto), e molte altre. Questo permette ai chatbot di raccogliere informazioni dalle conversazioni senza fare domande ridondanti, migliorando drasticamente l'esperienza utente.
Con i moderni LLM, il NER può essere eseguito implicitamente senza un modello separato: il chatbot estrae e struttura le informazioni direttamente tramite function calling e prompt engineering. V Support usa questa capacità per le prenotazioni, dove estrae automaticamente nome, data, orario e numero di persone dalla conversazione.
Categorie di Entità Riconoscibili
PER: Persone
Nomi propri di persone fisiche: nome, cognome, soprannome.
"Sono la dottoressa Ferrari"
Utilizzo: personalizzare risposta, richiamare storico cliente
LOC: Luoghi
Indirizzi, città, paesi, punti di riferimento geografici.
"Negozio più vicino a Firenze"
Utilizzo: routing geografico, calcolo spedizioni, filiali
DATE / TIME: Date e Orari
Date assolute e relative, orari, periodi temporali.
"dal 3 al 10 aprile"
Utilizzo: prenotazioni, appuntamenti, verifica disponibilità
PRODUCT / ORG: Prodotti e Organizzazioni
Nomi di prodotti, servizi, aziende, brand menzionati.
"Sono cliente di Azienda SRL"
Utilizzo: identificare prodotto problema, routing reparto
Come Funziona il NER: Classificazione Token per Token
Schema BIO (Beginning-Inside-Outside)
Il NER classifica ogni token del testo con un tag che indica se è l'inizio (B-), l'interno (I-) o l'esterno (O) di un'entità. Esempio su "Prenota per Marco Rossi sabato":
Prenota → O (fuori da entità)
per → O
Marco → B-PER (inizio entità Persona)
Rossi → I-PER (interno entità Persona)
sabato → B-DATE (inizio entità Data)
NER con LLM Moderni (Function Calling)
Con i moderni LLM come GPT-4o, il NER può essere eseguito direttamente tramite function calling, chiedendo al modello di estrarre le entità in formato JSON strutturato:
Output JSON:
{
"nome": "Marco Rossi",
"data": "sabato",
"ora": "20:00",
"persone": 4
}
NER nel Customer Support: Casi d'Uso Pratici
Prenotazioni Automatiche
Un ristorante o un hotel può usare il NER per estrarre automaticamente tutte le informazioni necessarie per una prenotazione da un messaggio libero, senza form da compilare:
- Estrai nome cliente (PER), data (DATE), ora (TIME), numero ospiti (QUANTITY)
- Verifica disponibilità nel sistema di booking
- Conferma la prenotazione o propone alternative
Identificazione Prodotto nel Ticket di Supporto
Quando un cliente descrive un problema ("il mio Modello X-500 acquistato il 3 marzo non funziona"), il NER estrae automaticamente:
- Prodotto coinvolto: "Modello X-500"
- Data acquisto: "3 marzo"
- Problema: "non funziona" (classificazione separata)
Queste informazioni permettono routing automatico al reparto corretto e pre-compilazione del ticket senza ulteriori domande al cliente.
Domande Frequenti
Cos'è il Named Entity Recognition?
Il NER è la tecnologia NLP che identifica ed estrae entità strutturate dal testo libero: nomi, date, luoghi, prodotti, importi. Nei chatbot di customer support permette di raccogliere automaticamente le informazioni rilevanti dalle conversazioni senza fare domande ridondanti agli utenti.
Quali entità riconosce un chatbot?
Le categorie principali sono: PER (persone), ORG (organizzazioni), LOC (luoghi), DATE (date), TIME (orari), PHONE (telefoni), EMAIL, PRODUCT (prodotti), MONEY (importi) e QUANTITY (quantità). Le categorie specifiche dipendono dal dominio applicativo e possono essere personalizzate con training su dati aziendali specifici.
NER funziona in italiano?
Sì. I modelli NER moderni supportano l'italiano con accuratezza tipicamente 85-95% sulle entità standard. I modelli multilingue come XLM-RoBERTa gestiscono correttamente le specificità italiane: formati di date, varianti regionali, accordo grammaticale di genere e numero.
Termini Correlati
Implementa NER - Named Entity Recognition nella Tua Azienda
Scopri come V Support può aiutarti a sfruttare l'AI per il tuo customer service. Demo gratuita di 30 minuti.