Wat is entiteitsherkenning (NER)?

Entiteitsherkenning, ook wel Named Entity Recognition (NER), is een AI-techniek die automatisch specifieke elementen in tekst herkent en labelt, zoals namen van personen, organisaties, locaties, datums en bedragen. In plaats van tekst alleen te lezen als losse woorden, haalt NER er de betekenisvolle "entiteiten" uit die relevant zijn voor verdere verwerking.

De techniek is een onderdeel van Natural Language Processing (NLP) en vormt vaak een eerste, cruciale stap voordat andere AI-toepassingen, zoals data-extractie of automatisering, kunnen werken.

Hoe werkt entiteitsherkenning

NER-modellen analyseren tekst en kennen labels toe aan woorden of woordgroepen. Een zin als "Jan de Vries van Bakkerij De Vries in Utrecht bestelde op 3 juni voor 450 euro" wordt dan bijvoorbeeld herkend als:

• Persoon: Jan de Vries
• Organisatie: Bakkerij De Vries
• Locatie: Utrecht
• Datum: 3 juni
• Bedrag: 450 euro

Er zijn verschillende manieren waarop NER-modellen dit doen:

• Regelgebaseerd: vaste patronen en woordenlijsten herkennen bekende namen en formats (bijvoorbeeld datumnotaties of postcodes).
• Machine learning / taalmodellen: het model is getraind op grote hoeveelheden gelabelde tekst en herkent zelf patronen, ook bij namen of organisaties die het nog niet eerder heeft gezien.

Waarom relevant voor het MKB

Veel bedrijfsprocessen draaien nog op vrije tekst: e-mails, contracten, facturen, notities, klantberichten. Die tekst bevat vaak precies de informatie die een systeem nodig heeft, maar dan in een vorm die niet direct te verwerken is.

Entiteitsherkenning helpt om die tekst automatisch om te zetten naar bruikbare data:

1. Facturen en documenten verwerken: automatisch bedragen, datums en leveranciersnamen eruit halen zonder handmatige invoer.
2. Klantcommunicatie structureren: namen, productnamen of locaties herkennen in binnenkomende e-mails of tickets.
3. Zoeken en filteren verbeteren: grote hoeveelheden documenten doorzoekbaar maken op specifieke personen, bedrijven of periodes.

[Inschatting]: voor bedrijven die veel tijd kwijt zijn aan het handmatig overtypen van gegevens uit e-mails, PDF's of formulieren, kan entiteitsherkenning een groot deel van dat invoerwerk wegnemen.

Een praktijkvoorbeeld

Een boekhoudkantoor ontvangt facturen in allerlei formaten en lay-outs van klanten. In plaats van elk bedrag, elke datum en elke leveranciersnaam handmatig over te typen in de boekhoudsoftware, herkent een NER-model deze gegevens automatisch uit de binnenkomende tekst of het gescande document. Alleen afwijkende of onduidelijke gevallen worden nog handmatig gecontroleerd.

Wanneer wel, wanneer niet

Entiteitsherkenning is krachtig, maar niet in elke situatie de beste keuze.

Een belangrijk aandachtspunt: NER-modellen maken fouten, vooral bij ongebruikelijke namen, afkortingen of branchespecifiek jargon. Een menselijke controle op uitzonderingen blijft daarom verstandig, zeker bij financiële of juridische toepassingen.

Verwante begrippen

Entiteitsherkenning hangt samen met andere begrippen uit AI en taalverwerking:

• Natural Language Processing (NLP): het bredere vakgebied waar entiteitsherkenning onder valt.
• Sentimentanalyse: het bepalen van de emotionele lading van tekst, vaak gecombineerd met NER om te zien wélk sentiment bij wélke persoon of organisatie hoort.
• Data-extractie: het automatisch ophalen van gestructureerde gegevens uit documenten, waarbij NER vaak de eerste stap is.

Wil je weten hoe entiteitsherkenning jouw documentverwerking kan versnellen, bijvoorbeeld via een AI-agent die facturen of e-mails automatisch verwerkt? Bespreek het in een gesprek over AI-consultancy, of start met de gratis AI-scan om te zien waar handmatig invoerwerk in jouw organisatie kan worden geautomatiseerd.