В ИИ-агентах classification часто используется как первый шаг workflow. Агент получает письмо, тикет, чат, документ или заявку, определяет тип и дальше выбирает маршрут: ответить сразу, отправить в поддержку, создать задачу, попросить уточнение, запустить модерацию или передать человеку.
Качество classification зависит от списка классов. Если классы пересекаются или описаны слишком расплывчато, модель будет путаться. Хорошая схема задает понятные названия, описание каждого класса, примеры, правила выбора и категорию fallback вроде "другое" или "нужно уточнение".
Для надежной автоматизации лучше просить structured output: например JSON с `category`, `confidence`, `reason`, `evidence` и `missing_data`. Тогда результат проще проверять, логировать и передавать в CRM, helpdesk, n8n или backend.
Classification не всегда должна быть окончательным решением. Если confidence низкий, данные противоречат друг другу или действие рискованное, агент должен отправить кейс на human review, а не уверенно запускать неправильный workflow.
Примеры
- ИИ-агент читает тикет поддержки и относит его к категории "баг", "вопрос по оплате" или "запрос на функцию".
- Лид из формы классифицируется как B2B, B2C, партнерство или нерелевантная заявка.
- Комментарий в соцсетях получает тональность: позитив, негатив, вопрос, спам или жалоба.
- Входящий документ определяется как счет, акт, договор, коммерческое предложение или письмо.
- Email автоматически получает intent: продление договора, претензия, запрос цены, отмена или уточнение сроков.
- Если модель не уверена, она возвращает `category: needs_review`, а не выбирает случайный класс.
Где используется
- triage обращений поддержки
- маршрутизация тикетов по командам
- модерация контента и комментариев
- квалификация лидов и заявок
- классификация входящих документов
- анализ тональности отзывов и NPS
- определение intent в чат-боте
- разделение писем по типам задач
- выбор workflow в n8n или backend
- подготовка structured output для CRM и аналитики
Связанные термины
Частые вопросы
Classification и extraction - это одно и то же?
Нет. Classification выбирает класс или категорию. Extraction достает конкретные данные: сумму, дату, имя, номер договора или email.
Что важно для хорошей классификации?
Нужен четкий список классов, описание каждого класса, примеры, правила для спорных случаев, fallback-класс и проверка confidence.
Можно ли классифицировать объект сразу в несколько классов?
Да. Это multi-label classification. Например, тикет может быть одновременно "ошибка оплаты" и "высокий приоритет". Главное заранее описать, когда разрешено несколько меток.
Почему модель путает классы?
Частые причины: классы пересекаются, нет примеров, слишком мало контекста, плохие названия категорий, нет правил для пограничных случаев или входной текст слишком шумный.
Что делать при низкой уверенности?
Лучше вернуть needs_review, попросить уточнение или отправить кейс человеку. Низкий confidence не должен автоматически запускать рискованное действие.
Как проверять качество classification?
Соберите тестовый набор примеров с правильными классами, считайте precision, recall и ошибки по каждому классу. Для ИИ-агентов также проверяйте, не запускается ли неправильный workflow.
