Un guide complet pour créer des étiquettes efficaces pour l'annotation de texte

Apprenez à créer des étiquettes bien définies pour votre projet d'annotation de texte et garantissez des résultats cohérents et de haute qualité. Suivez notre guide étape par étape pour obtenir des résultats optimaux.

DANS CET ARTICLE

Prêt à extraire l'or de vos données ?

Introduction

L'annotation de texte est le processus qui consiste à ajouter des métadonnées, des étiquettes ou des notes à des données textuelles non structurées, afin de leur donner un contexte et une signification. Ces informations supplémentaires sur le texte sont utiles pour diverses tâches NLP et ML, telles que l'analyse des sentiments et la classification des textes.

Les données annotées peuvent être utilisées pour toute une série de tâches différentes, telles que la formation, le test et l'amélioration des modèles, ainsi que pour affiner différents algorithmes NLP afin de les rendre meilleurs et plus efficaces.

Par exemple, si vous avez besoin d'analyser les commentaires de vos clients, vous devrez annoter un site dataset d'avis de clients avec les étiquettes que vous souhaitez analyser, afin d'entraîner une solution sur ces données. La solution entraînée sera alors capable d'analyser de nouvelles données inédites.

Pour annoter un texte, vous devez utiliser des étiquettes d'annotation. Les étiquettes sont utilisées pour identifier le type d'informations contenues dans un texte.

De plus, la qualité et le résultat final de votre annotation dépendront largement des étiquettes que vous définirez pour votre annotation. Sans étiquettes de bonne qualité, un certain nombre de problèmes peuvent survenir dans votre annotation :

  • Des données mal étiquetées peuvent conduire à des prédictions incorrectes ou à des performances incohérentes de votre solution NLP .
  • De bonnes étiquettes aident vos annotateurs à être plus clairs et cohérents dans leur travail, ce qui garantit que les données sont étiquetées de manière cohérente sur le site dataset. La cohérence aide les modèles de ML à apprendre des modèles de manière efficace.
  • Des étiquettes efficaces sont sans ambiguïté et précises, ce qui permet aux annotateurs de comprendre plus facilement la signification et la portée exactes de chaque étiquette, contribuant ainsi à réduire les erreurs et les incohérences.
  • De bonnes étiquettes permettent de rendre les prédictions et les résultats du modèle plus interprétables et compréhensibles. Certains modèles, par exemple les modèles de classification "zero-shot", sont très sensibles aux noms des étiquettes, car ils reposent en grande partie sur ce qu'ils ont appris lors de la préformation.
  • De bonnes étiquettes d'annotation rendent le processus d'annotation plus rapide et plus efficace car elles réduisent l'effort consacré à la compréhension des critères d'étiquetage.
  • Des étiquettes efficaces permettent d'obtenir une évaluation plus précise des performances de différents modèles pour une même tâche. Cela signifie qu'il est plus facile de comparer et d'étalonner différents modèles, ce qui est nécessaire pour déterminer le modèle le plus performant et améliorer vos solutions.

Il est évident que la création d'étiquettes de bonne qualité pour l'annotation est indispensable pour disposer d'une solution NLP de haute qualité.

Mais comment définir des étiquettes de qualité, efficaces et claires ? C'est ce que nous allons découvrir dans cet article.

1. Définir l'objectif de l'annotation de texte

Il est très important d'avoir un objectif clair pour votre projet d'annotation de texte, car cela affecte directement les étiquettes spécifiques qui sont utilisées dans le processus d'annotation. En effet, avec un objectif clair, les étiquettes seront conçues pour mieux capturer les informations pertinentes pour les objectifs du projet.

Lorsque vous avez un objectif clair pour votre projet, il devient plus facile de savoir quel type d'information doit être extrait du texte, ce qui guidera beaucoup mieux le choix des étiquettes.

Voici quelques raisons :

Pertinence

Lorsque l'objectif est clair, il devient facile de savoir quelles étiquettes sont pertinentes par rapport aux objectifs du projet et lesquelles ne le sont pas. Vous pouvez ainsi exclure les étiquettes non pertinentes et rendre le processus d'annotation plus ciblé et plus efficace, ce qui permet de gagner du temps et d'économiser des ressources.

Granularité

Lorsque vous connaissez l'objectif du projet, vous savez mieux quel est le niveau de détail requis pour le projet. Cela fait une différence pour les étiquettes d'annotation, car vous pouvez alors créer des étiquettes très spécifiques ou très larges.

Personnalisation

Des objectifs de projet différents peuvent nécessiter des étiquettes différentes, adaptées au problème que le projet tente de résoudre.

Exemples

Classification des tickets de support client : l'objectif est ici de classer les tickets de support client en fonction des problèmes qu'ils décrivent. Les étiquettes peuvent donc être les suivantes : "problème de facturation", "problème technique", "gestion de compte", etc. Si vous souhaitez en savoir plus sur l'analyse des commentaires des clients , vous pouvez lire notre article ici.

Modération des médias sociaux : l'objectif est ici d'identifier et de classer les contenus susceptibles d'enfreindre les lignes directrices de la communauté. Les étiquettes peuvent être : "discours haineux", "violence graphique", "spam", etc.

Annotation de tests médicaux : l'objectif est ici d'extraire des informations pertinentes de textes médicaux. Les libellés peuvent donc être les suivants : "condition médicale" ("diabète", "hypertension", "asthme"), "traitements" ("médicaments", "chirurgie", "thérapie"), etc.

2. Identifier les étiquettes et les groupes d'étiquettes pertinents pour l'annotation

Une fois que vous avez décidé et convenu de l'objectif du projet d'annotation de texte, l'étape suivante consiste à identifier les étiquettes et les groupes d'étiquettes pertinents pour l'annotation. Il s'agit d'une étape cruciale car le choix de vos étiquettes a un impact direct sur la qualité et l'utilité des données annotées. Voici comment sélectionner des étiquettes appropriées en fonction de votre objectif :

Définir l'objectif

Cela ne devrait pas être trop difficile puisque vous l'avez déjà fait à l'étape précédente. Vous devez définir l'objectif de votre projet, les résultats souhaités et le public cible.

Identifier les concepts clés

Maintenant que l'objectif a été clairement défini, il est nécessaire d'identifier les étiquettes clés et les groupes d'étiquettes que vous souhaitez capturer dans l'annotation. Il doit s'agir d'aspects essentiels du domaine du problème.

Créer un jeu d'étiquettes initial

Créez un ensemble d'étiquettes pouvant représenter les concepts clés que vous avez identifiés ci-dessus. Vous souhaitez créer des étiquettes spécifiques, sans ambiguïté et mutuellement exclusives, afin de réduire les risques de confusion.

3. Veiller à ce que les étiquettes soient spécifiques, pertinentes et complètes

Lorsque vous définissez vos étiquettes, vous devez vous assurer qu'elles sont spécifiques, pertinentes et complètes.

Étiquettes spécifiques

Elles sont importantes car elles minimisent les confusions qui pourraient survenir au cours du processus d'annotation. Lorsque vos étiquettes sont spécifiques, les annotateurs peuvent être confiants dans leur travail, ce qui se traduit par une grande qualité dataset.

Exemple :

  1. Dans la classification des tickets d'assistance à la clientèle, une étiquette non spécifique peut être "problème". Il ne fournit pas suffisamment d'informations sur la nature du problème. Un "problème de facturation", un "problème technique" ou un "problème de gestion de compte" peuvent être des libellés plus précis.
  2. Dans le cadre de la modération du contenu des médias sociaux, une étiquette non spécifique peut être "Contenu inapproprié". Un ensemble d'étiquettes plus spécifiques est "Discours de haine", "Violence graphique" ou "Spam".

Étiquettes pertinentes

Les étiquettes pertinentes capturent des informations directement liées à l'objectif de votre projet. Lorsque vous vous concentrez sur les étiquettes et les groupes d'étiquettes pertinents, votre processus d'annotation devient plus efficace.

Exemple :

  1. Dans la classification des tickets de support client, les étiquettes telles que "positif", "négatif", "neutre" ne sont pas pertinentes, car elles n'ont rien à voir avec le support client et la résolution du problème en question.
  2. Dans le cadre de la modération du contenu des médias sociaux, les étiquettes telles que "Fiction", "Non-fiction", "Article d'actualité" ne sont pas pertinentes car elles n'aident pas à modérer le contenu.

Étiquettes complètes

Les jeux d'étiquettes complets garantissent que tous les concepts, étiquettes et groupes d'étiquettes qu'un projet implique sont couverts par vos étiquettes. Ainsi, vous pouvez être sûr que votre site dataset est complet et équilibré, et qu'il représente fidèlement le domaine du problème.

4. Veiller à ce que les étiquettes soient mutuellement exclusives

Il est très important que les étiquettes que vous créez ne se chevauchent pas. Cela signifie que chaque segment de texte doit pouvoir être attribué à une seule catégorie, afin d'éviter toute ambiguïté ou incohérence au cours du processus d'annotation.

Clarté : lorsque les étiquettes ne se chevauchent pas, elles fournissent un cadre clair et sans ambiguïté aux annotateurs, ce qui leur permet de comprendre plus facilement les distinctions entre les étiquettes et les groupes d'étiquettes, et donc d'appliquer les étiquettes avec précision.

Cohérence : lorsque vous vous assurez que chaque segment de texte ne peut être attribué qu'à une seule catégorie, vous favorisez la cohérence du processus d'annotation du texte. Comme nous l'avons lu précédemment, la cohérence de l'étiquetage est essentielle à la création d'un texte annoté de haute qualité dataset.

Amélioration des performances du modèle : lorsqu'un site dataset est annoté avec des étiquettes qui sont mutuellement exclusives, qui ne se chevauchent pas et qui sont collectivement exhaustives, il est plus probable qu'il conduise à un modèle Machine Learning plus performant.

Comment créer des étiquettes mutuellement exclusives

  1. Définir des limites claires : il est nécessaire de définir des limites claires et distinctes entre les étiquettes et les groupes d'étiquettes. Vous devez vous assurer que chaque étiquette représente un concept unique. Cela permet d'éviter les chevauchements entre les étiquettes et les groupes d'étiquettes et facilite l'application précise des étiquettes par les annotateurs.
  2. Utiliser des termes spécifiques et non ambigus : vous devez choisir des noms d'étiquettes qui sont spécifiques et non ambigus, car cela minimise le risque de confusion entre des concepts similaires ou apparentés.

Exemples

  1. Dans la classification des tickets de support client, les étiquettes suivantes ne sont pas mutuellement exclusives : "Problème", "Demande", "Réclamation". En effet, ils peuvent tous représenter le même texte. Ces étiquettes s'excluent mutuellement : "Problème de facturation", "Problème technique", "Demande de fonctionnalité" - parce qu'elles représentent des problèmes et des types de texte différents.
  2. Dans le cadre de la modération du contenu des médias sociaux, les termes suivants ne s'excluent pas mutuellement : "contenu inapproprié", "violence", "discours haineux". En effet, ils peuvent se chevaucher dans ce qu'ils représentent. Ils s'excluent mutuellement : "Discours de haine", "Violence graphique", "Spam", "Désinformation".
  3. Dans l'annotation de textes médicaux, les éléments suivants ne s'excluent pas mutuellement : "État pathologique", "Symptôme", "Traitement". En revanche, les éléments suivants s'excluent mutuellement : "Diagnostic", "Description du symptôme", "Nom du médicament".

5. Organiser les étiquettes de manière hiérarchique

Lorsqu'il y a un grand nombre d'étiquettes à gérer, le processus d'annotation peut s'avérer beaucoup plus complexe et difficile.

C'est là qu'il devient important d'organiser vos étiquettes de manière hiérarchique, afin de rationaliser le processus et de permettre aux annotateurs de trouver plus facilement les étiquettes correspondant au texte qu'ils sont en train d'étiqueter.

L'organisation hiérarchique des étiquettes consiste à regrouper les étiquettes apparentées dans des groupes d'étiquettes et à créer une structure à plusieurs niveaux qui montre les relations entre les différentes étiquettes de l'ensemble.

Ainsi, lorsque quelqu'un annote un texte, il peut d'abord sélectionner la catégorie de premier niveau, puis aller de plus en plus loin jusqu'à ce qu'il trouve le bon libellé.

Cela réduit la charge cognitive des annotateurs, leur permet de trouver et d'appliquer plus facilement les étiquettes correctes et, par conséquent, d'améliorer la qualité de l'annotation.

En organisant les étiquettes dans une structure hiérarchique, il est également plus facile pour les gestionnaires de projet de maintenir le jeu d'étiquettes, puisqu'il devient alors facile d'ajouter, de modifier ou de supprimer des étiquettes sans perturber la structure globale du jeu d'étiquettes.

Exemple

Pour la classification des tickets d'assistance à la clientèle, voici une suggestion de structure hiérarchique pour les étiquettes :

De cette manière, les 20 étiquettes différentes sont maintenant organisées en 4 groupes d'étiquettes de premier niveau différents. Il est désormais beaucoup plus facile d'annoter : les annotateurs peuvent d'abord choisir la catégorie de premier niveau, puis une sous-catégorie plus spécifique.

6. Créer des définitions et des lignes directrices claires

Lorsque vous créez des étiquettes pour l'annotation, il est très important de fournir des définitions claires et concises pour chaque classe, pour les groupes d'étiquettes de niveau supérieur ainsi que pour les groupes d'étiquettes de niveau inférieur. Les annotateurs comprendront ainsi les différences entre les étiquettes, ce qui améliorera la précision et la cohérence des annotations.

Idéalement, vous devriez également fournir des exemples, afin de différencier les étiquettes qui se ressemblent, en particulier lorsque les définitions seules ne suffisent pas à montrer les différences. Ces exemples peuvent aider les annotateurs à mieux comprendre le contexte dans lequel chaque étiquette doit être appliquée.

Ils peuvent aider à clarifier les nuances de chaque étiquette et les contextes dans lesquels elles doivent être utilisées. Ils peuvent également renforcer les définitions et les lignes directrices et veiller à ce que les annotateurs comprennent bien les distinctions entre des étiquettes similaires.

7. Limiter le nombre d'étiquettes

S'il peut être tentant de définir autant de labels que possible dans un souci d'exhaustivité, un trop grand nombre de labels présente certains risques :

  1. Complexité accrue : un plus grand nombre d'étiquettes rend le processus d'annotation plus complexe, ce qui peut entraîner une confusion et une charge cognitive accrue pour les annotateurs.
  2. Réduction de la précision : plus il y a d'étiquettes, plus il est difficile pour les annotateurs de choisir la bonne étiquette, ce qui réduit la précision.
  3. Temps d'annotation plus long : lorsqu'il y a plus d'étiquettes, il faut naturellement plus de temps aux annotateurs pour trouver la bonne étiquette.
  4. Surajustement : lorsque vous avez trop d'étiquettes dans un site dataset, vous risquez un surajustement des modèles Machine Learning , c'est-à-dire que le modèle devient très spécialisé dans les données d'apprentissage, mais qu'il risque d'être peu performant sur des données réelles, nouvelles et inédites. Ce n'est pas bon.

Comment maintenir le nombre d'étiquettes à un niveau raisonnable

  1. Se concentrer sur l'objectif : s'assurer que chaque étiquette est correctement alignée sur l'objectif du projet. C'est une raison supplémentaire d'avoir un objectif bien défini.
  2. Fusionner les étiquettes similaires : si deux ou plusieurs étiquettes capturent des informations similaires, envisagez de les fusionner.
  3. Utiliser la hiérarchie : comme nous l'avons déjà mentionné, une organisation hiérarchique peut simplifier considérablement les choses. L'utilisation d'une hiérarchie peut vous permettre de découvrir des étiquettes redondantes.
  4. Limiter la granularité : essayez de maintenir un équilibre entre la granularité et la généralisation, afin de saisir les informations pertinentes sans submerger les annotateurs. Faites preuve de discernement.
  5. Tester et affiner : comme nous le verrons dans la section suivante, il est important de continuer à tester et à affiner, car ce n'est qu'après plusieurs itérations que vous parviendrez à un ensemble d'étiquettes solide et définitif.

8. Tester, affiner et itérer

Une fois que vous avez créé votre première série d'étiquettes, l'étape suivante consiste à la tester et à l'affiner. Cela permettra de s'assurer que le jeu d'étiquettes est bien défini, utile et adapté aux objectifs du projet. Cette phase de test peut également permettre d'identifier les problèmes ou les difficultés liés au jeu d'étiquettes, afin que vous puissiez les résoudre avant de lancer votre annotation à grande échelle, car il pourrait alors être beaucoup plus difficile et coûteux de corriger les erreurs.

  1. Détection précoce des erreurs : Lorsque vous testez les étiquettes sur un petit échantillon, vous pouvez détecter des problèmes potentiels tels que des définitions ambiguës ou des chevauchements d'étiquettes et de groupes d'étiquettes.
  2. Commentaires des annotateurs : Les annotateurs peuvent fournir un retour d'information précieux sur la clarté et l'utilité des étiquettes, ainsi que sur les difficultés qu'ils ont pu rencontrer au cours de l'annotation.
  3. Validation de la pertinence des étiquettes : Lorsque vous testez sur un petit échantillon, vous pouvez vous assurer que les étiquettes sont pertinentes et adaptées à vos données et à vos objectifs.

Comment procéder à des itérations en fonction du retour d'information et des résultats ?

  1. Clarifier les définitions ambiguës
  2. Fusionner ou séparer des étiquettes similaires ou qui se chevauchent
  3. Ajouter de nouvelles étiquettes pour remédier aux informations, étiquettes et groupes d'étiquettes manquants
  4. Supprimer les étiquettes non pertinentes ou redondantes
  5. Ajuster l'organisation hiérarchique des étiquettes

9. Former et soutenir les annotateurs

Si vos annotateurs sont correctement formés, votre projet d'annotation a plus de chances de réussir. En effet, leur capacité à comprendre et à appliquer correctement les étiquettes aura un impact direct sur la qualité du site dataset annoté, qui à son tour influencera les performances du modèle formé sur ce site dataset.

Comment former les annotateurs ?

  1. Lignes directrices détaillées : Élaborer des lignes directrices claires et détaillées qui couvrent les objectifs du projet, les définitions des étiquettes, le processus d'annotation et toute autre règle ou exigence spécifique. Veillez à ce que ces lignes directrices soient facilement accessibles.
  2. Matériel de formation : Proposez des supports tels que des diapositives, des vidéos ou des documents qui expliquent le processus d'annotation et fournissent des exemples détaillés sur la manière d'appliquer correctement les étiquettes.
  3. Pratique : Fournir aux annotateurs des exercices pratiques ou des échantillons de données à annoter. Cela leur permet d'acquérir de l'expérience et d'appliquer leur compréhension des étiquettes dans un contexte pratique.
  4. Retour d'information et itération : Examinez régulièrement le travail des annotateurs et fournissez un retour d'information sur leurs performances, en abordant tout problème ou toute préoccupation et en offrant des conseils pour l'amélioration.
  5. Soutien continu : Maintenir des lignes de communication ouvertes avec les annotateurs tout au long du projet, en leur offrant une assistance et des conseils si nécessaire. Communiquer toute modification ou mise à jour de la portée, des objectifs ou des exigences du projet.

10. Contrôler et évaluer la qualité des annotations

Enfin, le contrôle et l'évaluation continus des annotations et des étiquettes sont importants pour la réussite d'un projet d'annotation de texte. En évaluant régulièrement vos annotations, vous pouvez identifier les incohérences, les inexactitudes ou les problèmes qui peuvent survenir, et donc les résoudre en temps utile.

  1. Assurance qualité : En analysant régulièrement vos annotations et en les évaluant, vous pouvez vous assurer que la qualité du site datasetreste élevée et répond aux exigences du projet.
  2. Performance des annotateurs : Le suivi des performances des annotateurs vous permet de fournir un retour d'information et un soutien ciblés, afin d'aider les annotateurs à améliorer leurs compétences et à maintenir la cohérence de leur travail.
  3. Adaptabilité : Une évaluation régulière vous permet d'identifier et d'aborder tout changement dans les exigences du projet, les définitions des étiquettes ou les lignes directrices, en veillant à ce que le processus d'annotation reste aligné sur les objectifs du projet.

Conseils pour donner un retour d'information aux annotateurs

Pour donner un retour d'information aux annotateurs et mettre à jour les définitions d'étiquettes et les lignes directrices, il convient de tenir compte des conseils suivants :

  1. Feedback constructif : Lorsque vous donnez un retour d'information aux annotateurs, concentrez-vous sur des suggestions d'amélioration constructives et réalisables. Soyez précis sur les problèmes que vous avez identifiés et donnez des conseils clairs sur la manière de les résoudre.
  2. Renforcement positif : Reconnaître le bon travail et les progrès réalisés par les annotateurs. Le renforcement positif contribue à stimuler le moral, la motivation et la confiance en leurs capacités.
  3. Contrôles réguliers : Planifiez des contrôles réguliers avec les annotateurs afin de discuter de leurs performances, de répondre à leurs préoccupations ou à leurs questions et de leur fournir un retour d'information. Cette communication continue permet de s'assurer que les problèmes sont rapidement résolus et que les annotateurs se sentent soutenus tout au long du projet.
  4. Environnement collaboratif : Encouragez un environnement ouvert et collaboratif dans lequel les annotateurs peuvent poser des questions, demander des éclaircissements et partager leurs expériences. Cette approche favorise l'apprentissage par les pairs et encourage le sens du travail d'équipe et de la responsabilité partagée pour la réussite du projet.
  5. Mise à jour des définitions et des lignes directrices des étiquettes : Sur la base du retour d'information et des résultats de l'évaluation, mettez à jour les définitions des étiquettes et les lignes directrices si nécessaire pour résoudre les ambiguïtés, les incohérences ou les lacunes. Veillez à ce que ces documents mis à jour soient rapidement communiqués aux annotateurs et à ce qu'ils aient accès aux informations les plus récentes.
  6. Contrôler les progrès : Suivre l'avancement du projet d'annotation et procéder aux ajustements nécessaires, par exemple en réaffectant des ressources, en dispensant une formation supplémentaire ou en mettant à jour les lignes directrices afin de mieux les aligner sur les objectifs du projet.

11. Annoter en Lettria

Commencez à annoter vos données dans Lettria

L'une des façons les plus simples de créer un ensemble d'étiquettes et d'annoter vos données est d'utiliser Lettria. Notre plateforme sans code vous permet non seulement de définir et de gérer des étiquettes et d'annoter vos données, mais aussi d'entraîner votre solution sur les données et de commencer à l'utiliser pour vos projets de classification, le tout en un seul endroit.

C'est vraiment la façon la plus simple de commencer à mettre en œuvre NLP dans votre organisation.

Conclusion

En conclusion, la création d'étiquettes d'annotation de texte efficaces est essentielle pour garantir la réussite de tout projet de traitement du langage naturel ou de Machine Learning . En respectant les meilleures pratiques et en examinant attentivement chaque étape du processus, vous pouvez obtenir des résultats cohérents et de haute qualité dans vos propres projets.

Les étapes clés et les meilleures pratiques pour créer des étiquettes d'annotation de texte efficaces sont les suivantes :

  1. Établir un objectif clair pour votre projet afin de guider la sélection des étiquettes appropriées.
  2. Choisir des labels spécifiques, pertinents et complets qui s'alignent directement sur les objectifs de votre projet.
  3. Veiller à ce que les étiquettes s'excluent mutuellement et ne se chevauchent pas afin de réduire la confusion des annotateurs et de maintenir la cohérence.
  4. Organiser les étiquettes de manière hiérarchique, si nécessaire, afin de faciliter la navigation et l'application par les annotateurs.
  5. Fournir des définitions claires et concises pour chaque étiquette, ainsi que des exemples permettant de distinguer les étiquettes similaires et les groupes d'étiquettes.
  6. Limiter le nombre d'étiquettes pour capturer les informations nécessaires sans surcharger les annotateurs ou introduire de la complexité.
  7. Tester les étiquettes sur un petit échantillon de données textuelles pour s'assurer de leur efficacité et les affiner en fonction du retour d'information et des résultats.
  8. Former correctement les annotateurs et leur fournir des lignes directrices complètes, du matériel de formation et un soutien continu.
  9. Contrôler et évaluer régulièrement le processus d'annotation afin de maintenir l'assurance qualité et de fournir un retour d'information aux annotateurs.

En suivant ces lignes directrices, vous pouvez créer une base solide pour votre projet d'annotation de texte et vous assurer que votre site dataset est précis, cohérent et utile pour l'application envisagée. N'oubliez pas de maintenir les lignes de communication ouvertes avec vos annotateurs et d'affiner et d'ajuster continuellement votre jeu d'étiquettes si nécessaire. En investissant dans la qualité de vos étiquettes d'annotation de texte et dans la formation de vos annotateurs, vous pouvez obtenir les résultats de haute qualité nécessaires à la réussite de vos projets de traitement du langage naturel ou de Machine Learning .

Callout

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

This is some text inside of a div block.
This is some text inside of a div block.
This is some text inside of a div block.
This is some text inside of a div block.

Continuer à lire

Voir tous les articles ->
Créez votre pipeline NLP en 2 minutes
Démarrez ->