---
title: "Qu’est-ce que la reconnaissance d’entités nommées (NER) ?"
description: "La reconnaissance d’entités nommées repère les noms de personnes, d’organisations et de lieux. Annotation, évaluation, jeux de données arabes et NER avec un LLM."
url: https://broadrouter.com/fr/glossary/named-entity-recognition/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/named-entity-recognition/) (mis à jour le 2026-11-15).

# Reconnaissance d’entités nommées (NER)

Mis à jour 2026-11-15

La reconnaissance d’entités nommées (NER) est la tâche qui consiste à trouver les noms dans un texte et à attribuer à chacun un type, comme personne, organisation ou lieu. Les systèmes classiques étiquettent chaque token ; on demande plutôt aux LLM une liste d’entités en JSON, ensuite vérifiée par rapport au texte source.

Aussi appelé : NER, REN, reconnaissance d’entités nommées, extraction d’entités, entités nommées, named entity recognition, entity extraction, named entities

Extraire chaque personne, entreprise et lieu d’un contrat ou d’une dépêche, avec un type pour chacun : c’est la NER, et c’est l’une des tâches les plus courantes confiées à un LLM.

## Comment ça marche

Le benchmark classique est la tâche partagée CoNLL-2003. Elle utilisait des dépêches Reuters en anglais et des textes allemands de la Frankfurter Rundschau, quatre types (PER pour les personnes, ORG, LOC et MISC pour « names of miscellaneous entities that do not belong to the previous three groups » (traduction : « noms d’entités diverses n’appartenant à aucun des trois groupes précédents »)) et des étiquettes IOB : chaque mot est B- ou I- d’un type, ou O pour « outside ». Le score est un F1 sur les entités, et une entité ne compte que si elle correspond exactement à la référence.

Un exemple arabe au format IOB :

| Token | Étiquette |
| --- | --- |
| زار | O |
| خالد | B-PER |
| العتيبي | I-PER |
| مدينة | O |
| الرياض | B-LOC |

(« Khalid Al-Otaibi a visité la ville de Riyad. »)

L’arabe a ses propres jeux de données. ANERcorp, créé par Yassine Benajiba et référence standard depuis 2008, est composé de dépêches ; le découpage convenu du CAMeL Lab compte 125 102 mots d’entraînement et 25 008 mots de test, sous CC BY-SA 4.0. Wojood (Jarrar et al., 2022) compte environ 550K tokens de texte en MSA et en dialecte, 21 types d’entités et environ 75K entités, dont 22,5 % imbriquées. Son modèle basé sur AraBERT a obtenu un micro-F1 de 0,884.

Avec un LLM, la formulation habituelle est différente : on demande une liste, pas une étiquette par token.

```json
{"entities": [
  {"text": "خالد العتيبي", "type": "PERSON"},
  {"text": "الرياض", "type": "LOCATION"}
]}
```

## Pourquoi c’est important

La NER alimente les filtres de recherche, les fiches CRM, le masquage des [PII](https://broadrouter.com/fr/glossary/pii/) et les graphes de connaissances. Avec un LLM, les principaux risques sont :

-   **Entités inventées ou modifiées.** Un modèle peut renvoyer un nom absent du texte, ou « corriger » son orthographe. Vérifiez que chaque entité figure dans la source, après [normalisation du texte arabe](https://broadrouter.com/fr/glossary/arabic-text-normalization/) des deux côtés. C’est une forme de contrôle des [hallucinations](https://broadrouter.com/fr/glossary/hallucination/).
-   **Dérive des étiquettes.** Fixez la liste des types dans un schéma, pour que le modèle ne puisse pas inventer de nouveau type.
-   **Les benchmarks ne sont pas vos données.** Les étiquettes publiques correspondent rarement aux vôtres. Annotez un échantillon à la main et mesurez précision, rappel et F1, comme pour toute [eval](https://broadrouter.com/fr/glossary/eval/).

## Sur BroadNet Inference

BroadNet n’a pas d’endpoint NER ; vous la construisez sur POST /v1/chat/completions. La référence de l’API BroadNet documente la [sortie structurée](https://broadrouter.com/fr/glossary/structured-output/) pour [GLM 5.3](https://broadrouter.com/fr/models/glm-5.3/) et [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/), ce qui permet de tenir le modèle à une liste d’entités et à un ensemble fixe de types. Pour les documents qui arrivent sous forme d’images, Qwen3.8 27B accepte aussi les images en entrée.

BroadNet ne publie aucun benchmark NER pour ses modèles. L’[article sur l’extraction d’entités nommées en arabe](https://broadrouter.com/fr/blog/arabic-named-entity-extraction-llm/) propose un prompt, des vérifications de segments qui ignorent les signes diacritiques, la gestion des dates hégiriennes et un script d’évaluation à lancer sur votre propre échantillon.

## Questions fréquentes

### Quelle différence entre NER et extraction d’entités ?

En recherche, la NER consiste en général à étiqueter chaque token. L’extraction d’entités consiste souvent à renvoyer une liste d’entités, et c’est ainsi que la plupart des pipelines LLM posent le problème. Évaluez la formulation que vous mettez réellement en production.

### Pourquoi une entité renvoyée par le modèle ne correspond-elle pas à mon texte arabe ?

Souvent, le modèle a modifié une hamza, supprimé un tatweel ou ajouté des signes diacritiques en recopiant. Normalisez l’entité et le texte source avant de vérifier qu’elle y figure.

### Qu’est-ce que la NER imbriquée ?

Des entités contenues dans d’autres entités, comme une ville dans le nom d’une organisation. Wojood les annote ; 22,5 % de ses entités sont imbriquées.

## Voir aussi

-   [Sortie structurée (structured output)](https://broadrouter.com/fr/glossary/structured-output/) (terme)
-   [JSON Schema](https://broadrouter.com/fr/glossary/json-schema/) (terme)
-   [Normalisation du texte arabe](https://broadrouter.com/fr/glossary/arabic-text-normalization/) (terme)
-   [PII (données d’identification personnelle)](https://broadrouter.com/fr/glossary/pii/) (terme)
-   [Eval (évaluation de LLM)](https://broadrouter.com/fr/glossary/eval/) (terme)
-   [Hallucination (IA)](https://broadrouter.com/fr/glossary/hallucination/) (terme)
-   [Extraction d’entités nommées en arabe par LLM : JSON, dates, contrôles](https://broadrouter.com/fr/blog/arabic-named-entity-extraction-llm/) (article)
-   [Classification de texte arabe par LLM : sentiment, intention, tri](https://broadrouter.com/fr/blog/arabic-text-classification-llm/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-named-entity-recognition&utm_content=page-cta) ·

**Sources**

-   [Tjong Kim Sang et De Meulder, Introduction to the CoNLL-2003 Shared Task: Language-Independent Named Entity Recognition (CoNLL 2003, ACL Anthology) (vérifié le 2026-11-15)](https://aclanthology.org/W03-0419/)
-   [Tjong Kim Sang et De Meulder, article CoNLL-2003, texte intégral (arXiv cs/0306050, HTML ar5iv) (vérifié le 2026-11-15)](https://ar5iv.labs.arxiv.org/html/cs/0306050)
-   [CAMeL Lab, page de téléchargement du découpage train/test d’ANERcorp (vérifié le 2026-11-15)](https://camel.abudhabi.nyu.edu/anercorp)
-   [Jarrar, Khalilia et Ghanem, Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT (LREC 2022, ACL Anthology) (vérifié le 2026-11-15)](https://aclanthology.org/2022.lrec-1.387/)
