L'extraction relationnelle bout-en-bout vise à identifier les entités nommées et à extraire les relations entre elles. La plupart des travaux récents modélisent ces deux sous-tâches de manière conjointe, soit en les intégrant dans un cadre de prédiction structurée unique, soit en mettant en œuvre un apprentissage multi-tâches via des représentations partagées. Dans ce travail, nous proposons une approche simple en chaîne (pipeline) pour l'extraction d'entités et de relations, et établissons un nouveau record sur des benchmarks standards (ACE04, ACE05 et SciERC), obtenant une amélioration absolue de 1,7 % à 2,8 % en F1 relationnel par rapport aux modèles conjoints précédents utilisant les mêmes encodeurs pré-entraînés. Notre approche repose essentiellement sur deux encodeurs indépendants et utilise uniquement le modèle d'entités pour construire l'entrée du modèle de relations. À travers une série d'analyses rigoureuses, nous validons l'importance de l'apprentissage de représentations contextuelles distinctes pour les entités et les relations, de l'intégration précoce des informations d'entités dans le modèle de relations, ainsi que de l'incorporation du contexte global. Enfin, nous présentons également une approximation efficace de notre approche, qui nécessite une seule passe des encodeurs d'entités et de relations au moment de l'inférence, offrant un gain de vitesse de 8 à 16 fois avec une légère baisse de précision.