Klassifizierung

Dieser Leitfaden führt durch den Prozess der Bestimmung des besten Ansatzes für den Aufbau eines Klassifikators mit Claude und die Grundlagen der End-to-End-Bereitstellung für einen Claude-Klassifikator, von der Anwendungsfalluntersuchung bis zur Backend-Integration.

Besuchen Sie unsere Klassifizierungs-Kochbücher, um Beispielimplementierungen für die Klassifizierung mit Claude zu sehen.

Wann Claude für die Klassifizierung verwenden

Wann sollten Sie in Erwägung ziehen, ein LLM anstelle eines traditionellen ML-Ansatzes für Ihre Klassifizierungsaufgaben zu verwenden? Hier sind einige Schlüsselindikatoren:

Regelbasierte Klassen: Verwenden Sie Claude, wenn Klassen durch Bedingungen und nicht durch Beispiele definiert sind, da es die zugrunde liegenden Regeln verstehen kann.
Sich entwickelnde Klassen: Claude passt sich gut an neue oder sich ändernde Domänen mit neu entstehenden Klassen und sich verschiebenden Grenzen an.
Unstrukturierte Eingaben: Claude kann große Mengen an unstrukturierten Texteingaben unterschiedlicher Länge verarbeiten.
Begrenzte beschriftete Beispiele: Mit Few-Shot-Learning-Fähigkeiten lernt Claude präzise aus begrenzten beschrifteten Trainingsdaten.
Anforderungen an das logische Denken: Claude übertrifft bei Klassifizierungsaufgaben, die semantisches Verständnis, Kontext und höheres logisches Denken erfordern.

Legen Sie Ihren Anwendungsfall für die Klassifizierung fest

Im Folgenden finden Sie eine nicht erschöpfende Liste gängiger Anwendungsfälle für die Klassifizierung, bei denen Claude nach Branchen gegliedert hervorragend abschneidet.

Implementieren Sie Claude für die Klassifizierung

Die drei wichtigsten Entscheidungsfaktoren für das Modell sind: Intelligenz, Latenz und Preis.

Für die Klassifizierung ist ein kleineres Modell wie Claude 3 Haiku aufgrund seiner Geschwindigkeit und Effizienz in der Regel ideal. Für Klassifizierungsaufgaben, bei denen spezielles Wissen oder komplexes logisches Denken erforderlich ist, kann Sonnet oder Opus jedoch eine bessere Wahl sein. Erfahren Sie mehr darüber, wie sich Opus, Sonnet und Haiku hier unterscheiden.

Verwenden Sie Auswertungen, um zu beurteilen, ob ein Claude-Modell gut genug funktioniert, um in die Produktion zu gehen.

1. Erstellen Sie eine starke Eingabeaufforderung

Während Claude von Haus aus eine hohe Basisleistung bietet, hilft eine starke Eingabeaufforderung, die besten Ergebnisse zu erzielen.

Kopieren Sie für einen generischen Klassifikator, den Sie an Ihren spezifischen Anwendungsfall anpassen können, die folgende Starter-Eingabeaufforderung:

Sie werden einen Textklassifikator erstellen, der Text automatisch in eine Reihe vordefinierter Kategorien einteilen kann.
Hier sind die Kategorien, die der Klassifikator verwenden wird:

<categories>
{{CATEGORIES}}
</categories>

Um Ihnen zu helfen zu verstehen, wie man Text in diese Kategorien einteilt, hier einige Beispieltexte, die bereits mit ihrer korrekten Kategorie beschriftet wurden:

<examples>
{{EXAMPLES}}
</examples>

Bitte studieren Sie diese Beispiele sorgfältig, um die Hauptmerkmale und Eigenschaften zu identifizieren, die jede Kategorie definieren. Schreiben Sie Ihre Analyse jeder Kategorie innerhalb von <category_analysis>-Tags auf und erklären Sie die Hauptthemen, Motive, Schreibstile usw., die mit jeder Kategorie verbunden zu sein scheinen.

Sobald Sie das Gefühl haben, die Kategorien gut zu verstehen, besteht Ihre Aufgabe darin, einen Klassifikator zu erstellen, der neue, nicht beschriftete Texte aufnehmen und eine Vorhersage ausgeben kann, zu welcher Kategorie er höchstwahrscheinlich gehört.

Zeigen Sie vor Ihrer endgültigen Klassifizierung Ihren schrittweisen Prozess und Ihre Argumentation innerhalb von <classification_process>-Tags. Wägen Sie die Beweise für jede mögliche Kategorie ab.

Geben Sie dann Ihre endgültige <classification> aus, zu welcher Kategorie Ihrer Meinung nach der Beispieltext gehört.

Ziel ist es, einen Klassifikator zu erstellen, der neue Texte genau in die am besten geeignete Kategorie einordnen kann, wie sie durch die Beispiele definiert ist.

Wir bieten auch eine breite Palette von Eingabeaufforderungen, um Ihnen den Einstieg in unserer Eingabeaufforderungsbibliothek zu erleichtern, einschließlich Eingabeaufforderungen für eine Reihe von Klassifizierungsanwendungsfällen, darunter:

Stimmungsanalyse

Erkennen Sie den Ton und die Stimmung hinter Tweets. Verstehen Sie Benutzeremotionen, Meinungen und Reaktionen in Echtzeit.