Nous étudions la tâche d'extraction conjointe d'entités et de relations. Contrairement aux approches antérieures, nous proposons un nouveau paradigme d'apprentissage conjoint léger fondé sur l'entraînement au risque minimal (MRT, Minimum Risk Training). Plus précisément, notre algorithme optimise une fonction de perte globale, flexible et efficace, permettant d'explorer de manière approfondie les interactions entre le modèle d'entités et le modèle de relations. Nous avons implémenté un réseau neuronal simple mais puissant, dans lequel l'entraînement MRT est mis en œuvre. Les résultats expérimentaux sur les jeux de données de référence ACE05 et NYT montrent que notre modèle parvient à atteindre des performances de pointe dans l'extraction conjointe.