Nous présentons une nouvelle tâche de typage d'entités : étant donné une phrase contenant une mention d'entité, l'objectif est de prédire un ensemble de phrases libres (par exemple, gratte-ciel, auteur-compositeur ou criminel) qui décrivent des types appropriés pour l'entité cible. Cette formulation nous permet d'utiliser un nouveau type de supervision distante à grande échelle : les mots-clés, qui indiquent le type des groupes nominaux dans lesquels ils apparaissent. Nous montrons que ces types ultra-fins peuvent être obtenus par crowdsourcing, et nous introduisons de nouveaux ensembles d'évaluation qui sont beaucoup plus diversifiés et fins que les benchmarks existants. Nous présentons un modèle capable de prédire des types ouverts, et qui est entraîné en utilisant un objectif multitâche qui combine notre nouvelle supervision par les mots-clés avec la supervision antérieure du lien d'entité. Les résultats expérimentaux démontrent que notre modèle est efficace pour prédire les types d'entités à différents niveaux de granularité ; il atteint des performances de pointe sur un benchmark existant de typage d'entités finement granulaires, et établit des lignes de base pour nos nouveaux jeux de données. Nos données et notre modèle peuvent être téléchargés depuis : http://nlp.cs.washington.edu/entity_type