Огляд моделей машинного навчання NER для аналізу мобільних даних у криміналістиці

Abstract

За останні роки машинне навчання (machine learning, ML) широко поширилося у повсякденному житті. На його основі працюють програми зі штучним інтелектом, на основі якого з’вилося багато віртуальних помічників. Важливу роль ML грає і у разних сферах діяльності багатьох підприємств. ML допомагає автоматизувати багато процесів, спрощуючи функціонування компанії. Named Entity Recognition (NER) моделі дозволяють автоматично вибирати, шукати інформацію за певними критеріями у вилучених, наприклад, логічним методом, мобільних даних. Підтримка NER моделями Python дає можливість гнучко програмувати конкретні запроси, які стровюються в процесі криміналістичної експертизи. Відкритий код створює унікальну можливість постійно вдосконалювати модель, навчаючи її на наборах даних. Потужним пакетом для роботи з NER є фреймворк spaCy, який допомагає спростити дані та отримати детальну інформацію з введених даних, обучити модель, зробити налаштування моделі та багато іншого. spaCy сумісний із 64-розрядним CPython 3.7+ і працює на Unix/Linux, macOS/OS X і Windows. Останні версії spaCy доступні через pip і conda.

Machine learning (ML) has become widespread in everyday life. On its basis, programs with artificial intelligence work, on the basis of which many virtual assistants have evolved. ML plays an important role in various spheres of activity of many enterprises. ML helps to automate many processes, simplifying the functioning of the company. Named Entity Recognition (NER) models allow to automatically select and search for information according to certain criteria in mobile data extracted, for example, by the logistic method. Support for NER by Python models makes it possible to flexibly program specific requests that are generated in the forensic examination process. Open source creates a unique opportunity to continuously improve the model by training it on datasets. A powerful NER package is the spaCy framework, which helps to simplify data and extract detailed information from input data, train a model, perform model tuning, and more. spaCy is compatible with 64-bit CPython 3.7+ and runs on Unix/Linux, macOS/OS X and Windows. The latest spaCy releases are available over pip and conda.