Rezept: Text mit eigenen Labels klassifizieren

Die Klassifikation weist jedem Text pro Aufgabe ein Label aus von Ihnen definierten Labelmengen zu. Eine Anfrage kann mehrere Aufgaben gleichzeitig ausführen, etwa Thema und Priorität, und der Text kann in jeder unterstützten Sprache vorliegen.

Anfrage

Die folgende Nachricht ist spanisch. Die Labels bleiben englisch.

curl -X POST https://api.fastino.ai/v1/chat/completions \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "fastino/gliner2.5-multi-v1",
  "messages": [
    {
      "role": "user",
      "content": "La aplicación se cierra cada vez que intento pagar con tarjeta. Necesito una solución hoy."
    }
  ],
  "schema": {
    "classifications": [
      {
        "task": "topic",
        "labels": [
          "billing",
          "bug",
          "account",
          "feature_request"
        ],
        "multi_label": false
      },
      {
        "task": "priority",
        "labels": [
          "urgent",
          "routine"
        ],
        "multi_label": false
      }
    ]
  },
  "threshold": 0.5,
  "store": false
}'

Anfrageschema

Feld	Typ	In diesem Rezept
`model`	string	`fastino/gliner2.5-multi-v1`.
`messages`	array	Eine `user`-Nachricht mit dem zu klassifizierenden Text.
`schema.classifications[].task`	string	Ihr Name für die Aufgabe. Er wird zum Schlüssel im Ergebnis.
`schema.classifications[].labels`	array	Die Labels, aus denen gewählt wird.
`schema.classifications[].multi_label`	boolean	`false` liefert genau ein Label pro Aufgabe. `true` kann mehrere liefern.
`threshold`	number	Mindestkonfidenz, von 0 bis 1. Standard `0.5`.
`store`	boolean	Standardmäßig `true`, wodurch die Inferenz gespeichert wird. Mit `false` widersprechen Sie.

Antwort

GLiNER gibt das Ergebnis als JSON-String in choices[0].message.content zurück. Geparst sieht es so aus. Gemessen gegen https://api.fastino.ai; Konfidenzwerte schwanken zwischen Aufrufen geringfügig.

{
  "topic": {
    "label": "bug",
    "confidence": 0.844
  },
  "priority": {
    "label": "urgent",
    "confidence": 0.938
  }
}

Antwortschema

Feld	Typ	Bedeutung
`<task>`	object	Ein Schlüssel pro definierter Aufgabe. Hier `topic` und `priority`.
`<task>.label`	string	Das gewinnende Label einer Single-Label-Aufgabe.
`<task>.confidence`	number	Konfidenz für dieses Label, von 0 bis 1.

Die Aufgaben werden gemeinsam bewertet. Wenn Sie eine Aufgabe hinzufügen oder entfernen, können sich die Konfidenzwerte der anderen Aufgaben daher leicht verschieben.

Auf die Antwort reagieren

import json

result = json.loads(response.json()["choices"][0]["message"]["content"])
topic, priority = result["topic"], result["priority"]

if topic["confidence"] < 0.6:
    route_to("triage")  # let a person choose
else:
    route_to(topic["label"], urgent=priority["label"] == "urgent")

Anpassen

Halten Sie die Labels bei Single-Label-Aufgaben gegenseitig exklusiv. Überlappende Labels teilen sich die Konfidenz.
Verwenden Sie multi_label: true für Tags, die gemeinsam auftreten können, etwa in einer Nachricht erwähnte Produktbereiche.
Verwenden Sie klare, kurze Labelnamen. Nachgelagerter Code liest sie als Werte.
Für Entscheidungen, die Regeln, Skalen oder Ja/Nein-Antworten zu einer Situation erfordern, verwenden Sie stattdessen GLiDE.

GLiNER aufrufen

Alle GLiNER-Schematypen und wie Sie deren Ergebnis lesen.

Chat-Completions-API-Referenz

Alle Felder, Grenzen und Fehler für POST /v1/chat/completions.

Erste Schritte

Entscheidungsmodelle

Entitäten und Klassifikation

Inferenz-API

Trainings-API

Fehlerbehebung

SDK-Integrationen

Modelle

Konto

Rezept: Text mit eigenen Labels klassifizieren

Anfrage

Anfrageschema

Antwort

Antwortschema

Auf die Antwort reagieren

Anpassen

GLiNER aufrufen

Chat-Completions-API-Referenz

​Anfrage

​Anfrageschema

​Antwort

​Antwortschema

​Auf die Antwort reagieren

​Anpassen

GLiNER aufrufen

Chat-Completions-API-Referenz

Anfrage

Anfrageschema

Antwort

Antwortschema

Auf die Antwort reagieren

Anpassen