Entity Linking : savoir exactement de quoi on parle.
Au challenge Entity Linking d’EvalLLM 2026, Kairntech se classe 1ᵉʳ en performance brute — en reliant chaque mention de bulletins de veille sanitaire à la bonne fiche de référence officielle, avec une F1 de liage de 89,98 % (médiane 75,18 %).
Lever l’ambiguïté.
L’Entity Linking relie chaque mention d’un texte — un lieu, une maladie, un agent pathogène… — à la bonne fiche dans une base de référence officielle. C’est ce qui permet de savoir exactement de quoi, ou d’où, on parle.
Sur des bulletins de veille sanitaire en français, les mentions étaient déjà repérées : toute la difficulté est au liage. Certaines mentions n’ont d’ailleurs aucune correspondance (cas NIL), une réponse elle aussi attendue.
Résolution vers GeoNames (lieux) et MeSH (biomédical), une tâche translingue (textes FR, MeSH anglophone) où les identifiants peuvent être composites — D001906, D010930:M…, D1 & D2.
Deux référentiels officiels.
La base géographique de référence mondiale : des millions de lieux avec leurs coordonnées, pays et divisions administratives. En cas d’homonymie, le contexte du bulletin départage — une même ville peut exister dans plusieurs pays.
Le thésaurus médical de référence (maladies, agents pathogènes, toxines…), dans sa traduction française maintenue par l’Inserm, complété par les concepts et codes de la NLM et du NCBI pour les identifiants les plus fins.
Trois systèmes, trois degrés de contrôle.
Le règlement autorisait trois soumissions : nous en avons profité pour comparer, sur une même tâche, un continuum allant du code procédural à l’agent autonome.
Gazetteer + LLM
Les index GeoNames et MeSH de la plateforme Kairntech proposent des candidats ; un unique appel au LLM tranche selon le contexte. L’approche la plus intégrée.
Pipeline Python
Le code pilote tout et n’appelle le LLM que sur des sous‑tâches ciblées (traduction, périphrases, choix final). Le meilleur compromis performance / contrôle / sobriété.
Agent n8n outillé
Un agent choisit lui‑même les outils à appeler et reformule ses requêtes. Couverture quasi complète (meilleure F1), au prix d’un coût d’inférence bien plus élevé.
Le rappel fait la différence.
Nos deux meilleurs systèmes dépassent nettement la médiane du challenge. À précision comparable, tout se joue sur la couverture : l’agent laisse à peine 2,3 % des mentions sans lien.
Kairntech se classe 1ᵉʳ en performance brute ; le classement final applique ensuite des critères de frugalité qui rebattent les cartes — et nous maintiennent sur le podium.
| Système (F1 de liage) | F1 |
|---|---|
| Agent n8n | 89,98 % |
| Pipeline Python | 86,69 % |
| Gazetteer + LLM | 74,49 % |
| Médiane (19 runs) | 75,18 % |
Résultats officiels sur 200 documents de test · 7 équipes · 19 runs. 1ᵉʳ en performance brute ; classement final après pondération par les critères de frugalité.
La précision — et la sobriété
Nous avons mesuré le coût en même temps que la qualité. L’agent obtient la meilleure F1, mais consomme près de douze fois plus de tokens que le pipeline pour seulement 3,3 points gagnés. Le pipeline Python reste le plus sobre et le plus contrôlable. La frugalité — open‑source, empreinte CO₂, ressources de calcul — est un critère que nous prenons au sérieux, et une direction que nous continuons d’explorer.
Recevez nos ressources Entity Linking
Notre poster et notre article détaillé du challenge Entity Linking d’EvalLLM 2026 : bases GeoNames & MeSH, nos 3 systèmes, résultats et empreinte carbone. Indiquez votre email — on vous envoie le tout.
La même précision, au service de vos données.
Structurez et désambiguïsez vos contenus non structurés grâce à nos pipelines d’extraction et de liaison d’entités.