NER é tipicamente formulado como uma tarefa de rotulação de sequência: cada token recebe um rótulo como B-PER (início de nome de pessoa), I-PER (dentro de nome de pessoa), O (não é uma entidade). O esquema de marcação BIO lida com entidades de múltiplas palavras: "Nova" recebe B-LOC, "York" recebe I-LOC. Modelos BERT ajustados são o padrão para NER de alta precisão, embora o NER integrado do spaCy seja popular para extração rápida e suficientemente boa.
Modelos gerais de NER lidam com tipos comuns de entidades (pessoa, organização, local, data). Aplicações específicas de domínio precisam de tipos personalizados: NER médico extrai medicamentos, sintomas e dosagens. NER jurídico extrai números de processos, estatutos e partes. NER financeiro extrai símbolos de ações, métricas financeiras e referências regulatórias. Estes exigem dados de treinamento específicos do domínio, que são caros para anotar, mas melhoram dramaticamente a qualidade da extração em contextos especializados.
LLMs podem realizar NER via prompting: "Extraia todos os nomes de pessoas e organizações deste texto e retorne como JSON." Isso é mais lento e mais caro do que modelos de NER dedicados, mas lida com tipos de entidades novos sem dados de treinamento e funciona em vários idiomas de forma nativa. Para sistemas de produção processando milhões de documentos, modelos dedicados vencem em custo. Para extração ad-hoc ou tipos de entidades incomuns, LLMs vencem em flexibilidade.