💬 NLP

Structure-Guided Entity Resolution: Fine-Tuning LLMs for Robust Name Matching in Complex Linguistic Contexts

Ce papier présente la Résolution d'Entités Guidée par la Structure (SGER), un cadre de fine-tuning par curriculum en deux phases pour les grands modèles de langage qui atteint une précision de pointe dans la correspondance de noms personnels complexes et multilingues et qui est actuellement déployé à grande échelle pour la conformité KYC sur la plateforme de Dream11.

Auteurs originaux : Shivam Chourasia, Hitesh Kapoor, Nilesh Patil

Publié 2026-05-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shivam Chourasia, Hitesh Kapoor, Nilesh Patil

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de faire correspondre les noms de deux personnes, mais que ces noms sont écrits de manière chaotique et désordonnée. Une personne pourrait être répertoriée sous le nom de « Rajesh Kumar », une autre sous « Kumar Rajesh », une troisième sous « RajeshKumar » (sans espace), et une quatrième sous « Rajeshbhai » (avec un titre amical ajouté). Dans un pays aussi divers que l'Inde, où les noms varient selon la région, la langue et même la façon dont un employé de bureau les a saisis, c'est un cauchemar pour les ordinateurs.

Ce document présente un nouveau système appelé SGER (Structure-Guided Entity Resolution) qui résout ce problème grâce à une méthode d'entraînement astucieuse en deux étapes. Voici comment cela fonctionne, expliqué simplement :

Le Problème : L'énigme du « Nom Désordonné »

Dans le monde des vérifications « Know Your Customer » (KYC) — où les entreprises vérifient votre identité avant de vous autoriser à jouer ou à ouvrir des comptes — les ordinateurs échouent souvent.

L'Ancienne Méthode : Les ordinateurs traditionnels utilisent des règles simples, comme compter le nombre de lettres différentes entre deux noms. C'est comme essayer de résoudre un puzzle en ne regardant que la couleur des pièces, en ignorant leur forme. Si quelqu'un écrit « Shubham » au lieu de « Subham », l'ordinateur se perd.
La Nouvelle Méthode (LLM) : Les grands modèles de langage (IA) sont intelligents, mais si vous leur demandez simplement « Ces deux noms appartiennent-ils à la même personne ? », ils se trompent parfois car ils n'ont pas appris la grammaire des noms en premier. Ils tentent d'apprendre la structure et la réponse simultanément, ce qui revient à demander à un étudiant d'écrire une thèse et de résoudre un problème de mathématiques en même temps.

La Solution : Une « École » en Deux Phases pour l'IA

Les auteurs ont créé un programme (un plan de cours) pour enseigner à leur modèle d'IA, basé sur un système appelé Llama 3, en deux phases distinctes. Imaginez que vous formiez un nouvel employé :

Phase 1 : Le Cours de « Architecte de Noms »
Avant que l'IA n'essaie de faire correspondre les noms, on lui apprend à les décomposer.

La Tâche : Vous donnez à l'IA un nom désordonné comme « Kirtan Singh Rathore ».
La Leçon : L'IA doit produire une liste structurée et soignée (comme un fichier JSON) indiquant : Prénom : Kirtan, Deuxième Prénom : Singh, Nom de Famille : Rathore.
L'Analogie : Imaginez enseigner à un enfant à prendre un tas de briques Lego en désordre et à les trier en « roues », « fenêtres » et « murs » avant d'essayer de construire une voiture. L'IA apprend que « Singh » est souvent un deuxième prénom ou un nom de famille, et que « Rathore » est le nom de famille, indépendamment de l'ordre dans lequel ils apparaissent.

Phase 2 : Le Cours de « Détective »
Maintenant que l'IA comprend comment les noms sont construits, elle est promue au rôle de détective.

La Tâche : Vous lui donnez deux noms (par exemple, « Rajeshk » et « Rajesh Kumar ») et vous demandez : « Ces deux noms appartiennent-ils à la même personne ? »
L'Avantage : Parce que l'IA sait déjà déconstruire les noms grâce à la Phase 1, elle n'a pas besoin de deviner la structure tout en prenant sa décision. Elle peut se concentrer uniquement sur la correspondance.
Le Résultat : Elle devient incroyablement précise pour identifier que « Rajeshk » n'est qu'une faute de frappe ou une abréviation de « Rajesh Kumar ».

Les Résultats : Un Système Ultra-Précis

L'équipe a testé ce système sur 50 000 exemples réels provenant d'Inde, un endroit connu pour avoir certaines des conventions de nommage les plus complexes et variées au monde.

Anciennes Méthodes : Ont obtenu une précision d'environ 57 % à 85 %.
IA Standard (sans l'entraînement en deux étapes) : Ont obtenu une précision d'environ 91 %.
SGER (Le Nouveau Système) : A atteint une précision de 99,02 %.

Cela signifie que le système est presque parfait pour déterminer si deux noms appartiennent à la même personne, même lorsque les noms sont mal orthographiés, inversés ou qu'il manque des espaces.

Impact Réel : Dream11

Ce n'est pas seulement une théorie ; cela fonctionne déjà. Le système est déployé chez Dream11, la plus grande plateforme de sports de fantasy au monde, qui dessert plus de 250 millions d'utilisateurs.

Avant : Lorsque l'ordinateur n'était pas sûr, il devait envoyer le dossier à un humain pour une vérification manuelle. Cela était lent et coûteux.
Après : L'IA gère presque tout automatiquement.
Le Bénéfice : L'entreprise économise plus de 500 000 $ par an car elle n'a plus besoin de payer des humains pour vérifier ces dossiers, et les utilisateurs légitimes sont vérifiés instantanément sans attendre.

Résumé

L'article soutient que pour rendre l'IA bonne dans un travail spécifique et désordonné (comme la correspondance de noms en Inde), il ne faut pas simplement lui jeter des données. Au lieu de cela, il faut lui enseigner d'abord les règles du jeu (la structure des noms), puis lui apprendre à jouer le jeu (faire correspondre les noms). Cette approche par « programme » a transformé une bonne IA en une IA presque parfaite, résolvant un énorme casse-tête pour une entreprise mondiale.

Résumé Technique : Résolution d'Entités Guidée par la Structure (SGER)

Énoncé du Problème

La résolution d'entités (ER) dans des environnements linguistiquement et culturellement complexes, en particulier au sein des données d'identité indiennes, présente un défi majeur pour la conformité « Connaître Votre Client » (KYC). Contrairement aux clés stables, les noms dans ces contextes varient en raison de conventions culturelles diverses, d'une translittération incohérente entre les scripts (par exemple, du dévanagari au latin) et d'erreurs fréquentes de saisie de données (fautes de frappe, tokens fusionnés, espaces manquants). Les méthodes traditionnelles comme la distance d'édition, Jaro-Winkler et les encodages phonétiques peinent à gérer ces ambiguïtés structurelles, entraînant des taux élevés de faux positifs et de faux négatifs. Bien que les Grands Modèles de Langage (LLM) offrent des promesses, le fine-tuning standard force souvent les modèles à apprendre simultanément la structure des noms et les frontières de classification, ce qui se traduit par des performances sous-optimales dans des domaines où les schémas structurels sont forts mais implicites.

Méthodologie : Résolution d'Entités Guidée par la Structure (SGER)

Les auteurs proposent SGER, un cadre novateur qui affine un LLM (spécifiquement Llama 3 8B de Meta) en utilisant une stratégie d'apprentissage par curriculum en deux phases. Cette approche découple la compréhension structurelle de la tâche de matching binaire pour construire une représentation interne robuste des noms.

Architecture du Système

Modèle de Base : Llama 3 8B, choisi pour son équilibre entre précision, efficacité des coûts et reproductibilité open-source.
Mécanisme d'Entraînement : Affinement Supervisé (SFT) avec Adaptation à Faible Rang (LoRA) (Rang 4, Alpha 8) utilisant la précision mixte (fp16).

Phase 1 : Compréhension de la Structure des Noms

Objectif : Enseigner au modèle la « grammaire interne » des noms.
Tâche : Mapper une chaîne de nom brute (par exemple, « Kirtan Singh Rathore ») vers un objet JSON structuré contenant first_name, middle_name et last_name.
Données : Un ensemble de données d'environ 10 000 noms indiens annotés manuellement, augmenté de variations synthétiques pour couvrir la diversité régionale et linguistique.
Résultat : Le modèle apprend à identifier les composants des noms et à gérer les variations structurelles (par exemple, reconnaître « SinghKirtan » comme une forme fusionnée) avant d'essayer de faire correspondre des paires.

Phase 2 : Matching Binaire de Noms

Objectif : Effectuer la tâche en aval consistant à déterminer si deux variantes de noms font référence au même individu.
Initialisation : L'entraînement commence à partir du point de contrôle (checkpoint) de la Phase 1.
Tâche : Classification binaire (« Oui » ou « Non ») basée sur une paire de noms.
Conception des Prompts : Inclut des instructions et des exemples few-shot élaborés avec les équipes opérationnelles de gestion des risques pour refléter les ambiguïtés du monde réel (abréviations, composants réordonnés, titres honorifiques).
Augmentation des Données : Pour assurer la robustesse, les données d'entraînement (à l'origine 20 000 paires) ont été étendues à plus de 50 000 exemples en utilisant trois stratégies inspirées par la vision par ordinateur :
1. Échange de Paires : Assure l'invariance d'ordre.
2. Permutation de Composants : Mélange les parties du nom pour créer des exemples structurels valides mais nouveaux.
3. Suppression Aléatoire d'Espaces : Simule les erreurs de saisie de données en fusionnant des tokens (par exemple, « Kirtan Singh » $\to$ « KirtanSingh »).

Contributions Clés

Cadre Basé sur le Curriculum : L'article présente la première validation empirique d'un cadre d'apprentissage par curriculum en deux phases spécifiquement adapté à la résolution d'entités basée sur les noms dans des contextes complexes et réels. Il démontre que la séparation de l'apprentissage structurel et de la classification produit des performances supérieures par rapport au fine-tuning en une seule étape.
Performances de l'État de l'Art : SGER atteint 99,02 % de précision et un score F1 de 0,994 sur un ensemble de validation retenu de 50 000 paires KYC indiennes réelles.
Déploiement en Production : Le système est entièrement déployé dans le pipeline de production de Dream11 (desservant plus de 250 millions d'utilisateurs), traitant jusqu'à 10 000 requêtes par minute avec une latence P99 de 120 millisecondes.

Résultats et Analyse Comparative

Les auteurs ont évalué SGER par rapport à cinq lignes de base sur un ensemble de validation disjoint :

Similarité Levenshtein : 0,726 F1 (Peine avec les variations structurelles).
BERT (Affiné) : 0,806 F1.
GPT-4o (Few-Shot) : 0,911 F1.
LLM (Few-Shot, Llama 3 8B) : 0,839 F1.
LLM (SFT en une seule étape) : 0,946 F1.
LLM (SFT + Augmentation) : 0,973 F1.
SGER (Deux phases + Augmentation) : 0,994 F1.

Résultats de l'Ablation :

Augmentation des Données : A augmenté le F1 de 0,946 à 0,973 en empêchant le modèle de mémoriser les motifs de surface et en améliorant la généralisation aux distorsions de « longue traîne ».
Apprentissage par Curriculum : L'ajout du pré-entraînement structurel de la Phase 1 a fourni l'impulsion finale jusqu'à 0,994, stabilisant particulièrement les performances sur les paires présentant plusieurs distorsions simultanées (par exemple, noms abrégés, réordonnés et fusionnés).

Analyse des Erreurs :
Les erreurs restantes (<1 %) proviennent principalement de :

Cas Phonétiques Ambigus : Noms phonétiquement similaires mais orthographiés différemment en raison d'une translittération incohérente (par exemple, « Saurabh » vs « Sorab »).
Erreurs Composées Complexes : Cas impliquant une perte d'espaces simultanée, une inversion d'ordre et une corruption OCR (par exemple, « SubhamKshr » vs « KishoreShubham »).

Signification et Impact

L'article affirme que SGER établit une nouvelle norme pour la résolution d'entités dans des domaines complexes et multilingues en démontrant que l'entraînement guidé par un curriculum permet un matching robuste et de haute précision à grande échelle.

Impact Opérationnel : Le déploiement a éliminé le besoin d'examen manuel des cas ambigus (auparavant acheminés vers des fournisseurs tiers), générant plus de 500 000 $ d'économies annuelles.
Conformité : Le système atteint une précision de 99,95 %, réduisant considérablement les liens erronés et les risques réglementaires associés dans les flux de travail KYC.
Évolutivité : L'approche prouve que les tâches spécialisées de résolution d'entités ne nécessitent pas nécessairement des modèles massifs ; un modèle modeste de 8 milliards de paramètres, lorsqu'il est guidé par un curriculum structuré, peut atteindre une précision quasi parfaite.

Les auteurs concluent que, bien que centrée sur les données KYC indiennes, cette méthodologie est largement applicable à d'autres contextes caractérisés par une riche diversité linguistique, des conventions de nommage irrégulières et des entrées bruyantes, telles que le commerce électronique mondial et la détection de fraude transfrontalière.