Les modèles existants pour la reconnaissance d'entités nommées (NER) inter-domaines s'appuient sur de nombreux corpus non étiquetés ou des données d'entraînement NER étiquetées dans les domaines cibles. Cependant, la collecte de données pour les domaines cibles à faibles ressources est non seulement coûteuse mais aussi chronophage. Ainsi, nous proposons un modèle de NER inter-domaines qui n'utilise aucune ressource externe. Nous introduisons tout d'abord l'apprentissage multi-tâches (MTL) en ajoutant une nouvelle fonction objectif pour détecter si les jetons sont des entités nommées ou non. Nous présentons ensuite un cadre appelé Mélange d'Experts en Entités (MoEE) afin d'améliorer la robustesse pour l'adaptation de domaine sans ressources. Enfin, les résultats expérimentaux montrent que notre modèle surpassent les modèles de labellisation séquentielle inter-domaines non supervisés performants, et que les performances de notre modèle se rapprochent de celles du modèle le plus avancé actuellement, qui utilise des ressources considérables.