A System for Name and Address Parsing with Large Language Models
Dieses Paper präsentiert ein promptgesteuertes, validierungszentriertes Framework, das große Sprachmodelle ohne Fine-Tuning nutzt, um durch die Integration von Eingabenormalisierung, beschränktem Decoding und strenger regelbasierter Validierung unstrukturierte Name- und Adress-Texte zuverlässig in ein konsistentes 17-Felder-Schema zu transformieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie haben einen riesigen, chaotischen Haufen handgeschriebener Briefe. Einige sind auf Englisch, einige auf Spanisch, manche haben verschmierte Tinte und andere lassen Kommas vermissen oder enthalten Tippfehler wie „123 Main St Apt 4B“, geschrieben als „123MainStApt4B“. Ihr Ziel ist es, diesen chaotischen Haufen in eine ordentliche, organisierte Tabellenkalkulation zu verwandeln, bei der jede einzelne Information (Name, Straße, Stadt, Postleitzahl) in ihrer eigenen spezifischen Spalte steht.
Dieses Papier beschreibt einen neuen Weg, wie man diesen Job erledigt, indem man ein sehr kluges Computergehirn (ein sogenanntes Large Language Model oder LLM) verwendet, aber mit einem Clou: Anstatt das Computergehirn eine neue Sprache von Grund auf neu zu lehren (was so wäre, als würde man einen neuen Mitarbeiter einstellen und ihn monatelang ausbilden), haben die Autoren ein strenges „Checklisten- und Aufseher-System“ darum herum gebaut.
So funktioniert ihr System, in einfache Schritte unterteilt:
1. Der „Vorbereitungschef“ (Input-Normalisierung)
Bevor das kluge Computergehirn überhaupt die Daten sieht, bereitet ein „Vorbereitungschef“ alles auf.
- Das Problem: Die Rohdaten sind unordentlich. Eine Person schrieb „Ave.“ und eine andere „Avenue.“. Jemand schrieb „N.E.“ und ein anderer „NE.“.
- Die Lösung: Das System standardisiert automatisch alles. Es wandelt alle Abkürzungen in ganze Wörter um, korrigiert die Großschreibung und entfernt seltsame Symbole. Es ist, als würde ein Koch das Gemüse vor dem Kochen in exakt die gleiche Größe schneiden, damit das Rezept jedes Mal perfekt funktioniert.
2. Das „Strikte Rezept“ (Prompt-Zusammensetzung)
Anstatt das Computergehirn raten zu lassen, was zu tun ist, geben die Autoren ihm eine sehr spezifische, unveränderliche Rezeptkarte.
- Das Problem: Wenn man einen klugen Computer nur fragt: „Hier ist eine Adresse, nenne mir die Bestandteile“, könnte er Fakten erfinden oder das Format der Antwort jedes Mal anders gestalten.
- Die Lösung: Die Rezeptkarte sagt: „Du bist ein Experte für das Parsen. Du musst exakt 17 Felder in dieser exakten Reihenfolge ausgeben. Wenn du etwas nicht weißt, lass es leer. Erfinde keine Daten.“ Es ist, als würde man einem Roboter eine strikte Montageanleitung geben: „Setze die Schraube hierhin, den Bolzen dorthin. Keine Improvisation.“
3. Das „Fließband“ (Constrained Inference)
Der Computer verarbeitet die Daten in kleinen, festen Gruppen (Chargen von 16), genau wie ein Fließband, das 16 Autos gleichzeitig bewegt.
- Das Ziel: Dies stellt sicher, dass der Computer nicht „kreativ“ wird oder ermüdet. Es hält die Einstellungen festgeschrieben, sodass Sie das gleiche Ergebnis erhalten, wenn Sie denselben Auftrag zweimal ausführen. Es ist wie eine Fabrikmaschine, die niemals ihre Geschwindigkeit oder ihre Einstellungen ändert.
4. Der „Qualitätskontroll-Inspektor“ (Validierung)
Dies ist der wichtigste Teil. Sobald der Computer seine Arbeit beendet hat, prüft ein strenger „Qualitätskontroll-Inspektor“ jede einzelne Zeile.
- Die Regeln:
- Stimmt die Postleitzahl mit dem Bundesstaat überein? (z. B. kann eine Postleitzahl für Kalifornien nicht in New York liegen).
- Hat der Computer einen Straßennamen erfunden, der gar nicht existiert?
- Gibt es exakt 17 Felder?
- Das Ergebnis: Wenn der Computer einen Fehler macht, erwischt ihn der Inspektor sofort. Wenn der Computer sich unsicher ist, markiert das System dies, damit ein Mensch es später prüfen kann. Dies stellt sicher, dass die endgültige Tabelle fast perfekt ist.
Was haben sie herausgefunden?
Die Autoren testeten dieses System an 1.500 verschiedenen Adressdatensätzen, einschließlich unordentlicher Datensätze aus den USA, Puerto Rico und anderen Ländern.
- Die Punktzahl: Das System lag in 99,8 % der Fälle richtig.
- Der Vergleich: Es schnitt etwas besser ab als ältere, regelbasierte Systeme (die wie starre Bedienungsanleitungen sind) und musste nicht „neu trainiert“ oder neue Dinge lernen, um zu funktionieren.
- Das Vertrauen: Das System teilte Ihnen auch mit, wie sicher es sich bei seiner Antwort war. Wenn es zu über 90 % sicher war, lag es fast immer richtig.
Die wichtigste Erkenntnis
Das Papier argumentiert, dass man keine teuren, maßgeschneiderten KI-Modelle braucht, um unordentliche Daten zu korrigieren. Stattdessen kann man ein leistungsstarkes, fertiges KI-Modell verwenden und es in ein striktes, regelbasiertes Sicherheitsnetz einbetten.
Man kann es sich wie die Einstellung eines brillanten, kreativen Schreibers (der KI) vorstellen, der ein Steuerformular ausfüllen soll. Wenn man ihn einfach nur schreiben lässt, könnte er Zahlen erfinden. Aber wenn man ihm ein Formular mit strengen Kästchen, einer Checkliste mit Regeln und einem Aufseher gibt, der jedes Kästchen kontrolliert, bevor es eingereicht wird, erhält man jedes Mal ein perfektes Steuerformular – ohne den Schreiber von Grund auf neu lehren zu müssen, wie man Steuern macht.
Dieser Ansatz macht es möglich, unordentlichen, realen Text schnell und kostengünstig in saubere, zuverlässige Daten zu verwandeln, ohne die KI für jedes neue Land oder jede neue Sprache neu trainieren zu müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.