A System for Name and Address Parsing with Large Language Models
Dit artikel presenteert een door prompts gestuurd, op validatie gericht framework dat grote taalmodellen zonder fine-tuning benut om ongestructureerde naam- en adresgegevens betrouwbaar te transformeren naar een consistente 17-velden schema door de integratie van inputnormalisatie, beperkte decodering en strikte regelgebaseerde validatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een enorme, rommelige stapel handgeschreven brieven hebt. Sommige zijn geschreven in het Engels, andere in het Spaans, sommige hebben vlekken door uitgelopen inkt, en andere missen komma's of bevatten typefouten zoals "123 Main St Apt 4B" geschreven als "123MainStApt4B". Je doel is om deze chaotische stapel te veranderen in een nette, georganiseerde spreadsheet waar elk stukje informatie (Naam, Straat, Stad, Postcode) zijn eigen specifieke kolom heeft.
Dit document beschrijft een nieuwe manier om die taak uit te voeren met behulp van een zeer slimme computerbrein (een Large Language Model, of LLM), maar met een twist: in plaats van de computerbrein een nieuwe taal vanaf nul te leren (wat is als het aannemen van een nieuwe werknemer en die maandenlang trainen), hebben de auteurs een strikt "checklist- en toezichthoudersysteem" rondom het gebouwd.
Zo werkt hun systeem, opgedeeld in eenvoudige stappen:
1. De "Prep Chef" (Input Normalisatie)
Voordat de slimme computer naar de data kijkt, ruimt een "Prep Chef" de boel op.
- Het Probleem: De ruwe data is rommelig. De één schreef "Ave." en een ander "Avenue.". De één schreef "N.E." en een ander "NE.".
- De Oplossing: Het systeem standaardiseert automatisch alles. Het verandert alle afkortingen in volledige woorden, corrigeert de hoofdlettergebruik en verwijdert vreemde symbolen. Het is alsof een chef alle groenten in exact dezelfde grootte snijdt voordat hij gaat koken, zodat het recept telkens perfect werkt.
2. Het "Strikte Recept" (Prompt Assemblage)
In plaats van de computerbrein te laten raden wat het moet doen, geven de auteurs het een zeer specifiek, onveranderlijk receptkaartje.
- Het Probleem: Als je een slimme computer alleen vraagt: "Hier is een adres, vertel me de onderdelen," kan hij feiten verzinnen of de antwoorden telkens anders formatteren.
- De Oplossing: Het receptkaartje zegt: "Je bent een expert-parser. Je moet exact 17 velden outputten in deze exacte volgorde. Als je iets niet weet, laat het dan leeg. Verzin geen data." Het is alsof je een robot een strikte montagehandleiding geeft: "Zet de schroef hier, de bout daar. Niet improviseren."
3. De "Assemblagelijn" (Constrained Inference)
De computer verwerkt de data in kleine, vaste groepen (batches van 16), net als een assemblagelijn die telkens 16 auto's tegelijk verwerkt.
- Het Doel: Dit zorgt ervoor dat de computer niet "creatief" wordt of moe wordt. Het houdt de instellingen vergrendeld, zodat als je dezelfde taak twee keer uitvoert, je exact hetzelfde resultaat krijgt. Het is als een machine in een fabriek die nooit van snelheid of instellingen verandert.
4. De "Kwaliteitscontroleur" (Validatie)
Dit is het belangrijkste deel. Zodra de computer klaar is met zijn werk, controleert een strikte "Kwaliteitscontroleur" elke regel.
- De Regels:
- Komt de postcode overeen met de staat? (bijv. een postcode voor Californië kan niet in New York zijn).
- Heeft de computer een straatnaam verzonnen die niet bestaat?
- Zijn er precies 17 velden?
- Het Resultaat: Als de computer een fout maakt, vangt de Inspecteur dit direct op. Als de computer onzeker is, markeert het systeem dit zodat een mens er later naar kan kijken. Dit zorgt ervoor dat de uiteindelijke spreadsheet bijna perfect is.
Wat hebben ze ontdekt?
De auteurs hebben dit systeem getest op 1.500 verschillende adresgegevens, inclus van slordige gegevens uit de VS, Puerto Rico en andere landen.
- De Score: Het systeem had het 99,8% van de tijd bij het rechte eind.
- De Vergelijking: Het presteerde iets beter dan oudere, op regels gebaseerde systemen (die als rigide instructiehandleidingen zijn) en hoefde niet "opnieuw getraind" of iets nieuws geleerd te worden om te kunnen werken.
- Het Vertrouwen: Het systeem kon je ook vertellen hoe zeker het was over zijn antwoord. Wanneer het systeem meer dan 90% zeker was, zat het er bijna altijd naast.
De Belangrijkste Conclusie
De auteurs betogen dat je geen dure, aangepaste AI-modellen nodig hebt om rommelige data te corrigeren. In plaats daarvan kun je een krachtig, kant-en-klaar AI-model gebruiken en het omwikkelen met een strikt, op regels gebaseerd veiligheidsnet.
Denk aan het inhuren van een briljante, creatieve schrijver (de AI) om een belastingformulier in te vullen. Als je hem alleen laat schrijven, kan hij getallen verzinnen. Maar als je hem een formulier geeft met strikte vakjes, een checklist met regels en een toezichthouder die elk vakje controleert voordat het wordt ingediend, krijg je elke keer een perfect belastingformulier, zonder dat je de schrijver vanaf nul hoeft te leren hoe belastingen werken.
Deze aanpak maakt het mogelijk om rommelige, echte tekst snel en goedkoop om te zetten in schone, betrouwbare data, zonder dat de AI voor elk nieuw land of taal opnieuw getraind hoeft te worden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.