LexaLegal, ein Legal-Tech-Startup, benötigt einen Amazon Comprehend Custom Entity Recognizer, um Parteinamen, Rechtsklauseln und Gesetzesverweise zu identifizieren. Ihr Beschriftungsteam kann entweder annotierte Dokumente mit Entitätsspannen erstellen oder Listen bekannter Gesetzeskennungen kuratieren. Welche zwei Trainingsdatenansätze können sie beim Erstellen eines Comprehend Custom Entity Recognizers verwenden?

Amazon Comprehend Custom Entity Recognizer kann entweder mit annotierten Dokumenten oder mit Entitätslisten trainiert werden. Annotierte Dokumente (Dokumentebenen-Annotationen) sind der primäre Weg, um dem Modell beizubringen, Entitäten in unstrukturiertem Text zu erkennen, indem spezifische Textspannen als bestimmte Entitätstypen gekennzeichnet werden. Entitätslisten (Lexika) sind nützlich, um dem Modell bekannte Entitäten beizubringen, die es erkennen soll, und verbessern die Genauigkeit für häufig vorkommende oder spezifische Begriffe. Die Option mit S3-Objekt-Tags ist für die Klassifizierung von Dokumenten relevant, nicht für die Erkennung von Entitäten innerhalb des Textes. Die direkte Verwendung von Textract-Ausgabe ohne Annotation ist unzureichend, da dem Modell nicht mitgeteilt wird, welche Textabschnitte welche Entitäten darstellen. Das Training ausschließlich mit vortrainierten Entitäten würde die spezifischen Anforderungen von LexaLegal nicht erfüllen, da diese Entitäten nicht die speziellen juristischen Begriffe umfassen.