Ce guide vous guide à travers le processus de détermination de la meilleure approche pour construire un classificateur avec Claude et les éléments essentiels du déploiement de bout en bout d’un classificateur Claude, de l’exploration des cas d’utilisation à l’intégration back-end.

Visitez nos livres de recettes de classification pour voir des exemples d’implémentations de classification utilisant Claude.

Quand utiliser Claude pour la classification

Quand devriez-vous envisager d’utiliser un LLM au lieu d’une approche ML traditionnelle pour vos tâches de classification ? Voici quelques indicateurs clés :

  1. Classes basées sur des règles : Utilisez Claude lorsque les classes sont définies par des conditions plutôt que par des exemples, car il peut comprendre les règles sous-jacentes.
  2. Classes évolutives : Claude s’adapte bien aux domaines nouveaux ou changeants avec des classes émergentes et des frontières mouvantes.
  3. Entrées non structurées : Claude peut gérer de grands volumes d’entrées de texte non structurées de longueurs variables.
  4. Exemples étiquetés limités : Avec des capacités d’apprentissage en quelques coups, Claude apprend avec précision à partir de données d’entraînement étiquetées limitées.
  5. Exigences de raisonnement : Claude excelle dans les tâches de classification nécessitant une compréhension sémantique, un contexte et un raisonnement de niveau supérieur.

Établissez votre cas d’utilisation de classification

Voici une liste non exhaustive des cas d’utilisation courants de classification où Claude excelle par industrie.


Implémentez Claude pour la classification

Les trois facteurs clés de décision du modèle sont : l’intelligence, la latence et le prix.

Pour la classification, un modèle plus petit comme Claude 3 Haiku est généralement idéal en raison de sa vitesse et de son efficacité. Cependant, pour les tâches de classification où des connaissances spécialisées ou un raisonnement complexe sont nécessaires, Sonnet ou Opus peuvent être un meilleur choix. Apprenez-en plus sur la façon dont Opus, Sonnet et Haiku se comparent ici.

Utilisez des évaluations pour déterminer si un modèle Claude fonctionne suffisamment bien pour être lancé en production.

1. Construisez une invite d’entrée solide

Bien que Claude offre des performances de base de haut niveau prêtes à l’emploi, une invite d’entrée solide aide à obtenir les meilleurs résultats.

Pour un classificateur générique que vous pouvez adapter à votre cas d’utilisation spécifique, copiez l’invite de démarrage ci-dessous :

Nous fournissons également un large éventail d’invites pour vous aider à démarrer dans notre bibliothèque d’invites, y compris des invites pour un certain nombre de cas d’utilisation de classification, notamment :

Analyse des sentiments

Détecter le ton et le sentiment derrière les tweets. Comprendre les émotions, les opinions et les réactions des utilisateurs en temps réel.

Classification des avis clients

Catégoriser les commentaires en balises pré-spécifiées. Rationaliser les informations sur les produits et les réponses du service client.

2. Développez vos cas de test

Pour exécuter votre évaluation de classification, vous aurez besoin de cas de test sur lesquels l’exécuter. Jetez un coup d’œil à notre guide pour développer des cas de test.

3. Exécutez votre évaluation

Métriques d’évaluation

Voici quelques métriques de succès à envisager pour évaluer les performances de Claude sur une tâche de classification :

CritèreDescription
PrécisionLa sortie du modèle correspond exactement à la réponse idéale ou classe correctement l’entrée selon les exigences de la tâche. Ceci est généralement calculé comme (Nombre de prédictions correctes) / (Nombre total de prédictions).
Score F1La sortie du modèle équilibre de manière optimale la précision et le rappel.
CohérenceLa sortie du modèle est cohérente avec ses prédictions pour des entrées similaires ou suit un schéma logique.
StructureLa sortie du modèle suit le format ou la structure attendue, ce qui facilite l’analyse et l’interprétation. Par exemple, de nombreux classificateurs sont censés produire un format JSON.
VitesseLe modèle fournit une réponse dans le délai acceptable ou le seuil de latence pour la tâche.
Biais et équitéS’il classe des données sur des personnes, il est important que le modèle ne démontre aucun biais basé sur le sexe, l’origine ethnique ou d’autres caractéristiques qui conduiraient à sa mauvaise classification.

Déployez votre classificateur

Pour voir des exemples de code sur la façon d’utiliser Claude pour la classification, consultez le Guide de classification dans le livre de recettes Anthropic.