Clasificación de texto en Python: etiquetas, peticiones y revisión

Envía una petición con tus etiquetas

Instala requests, guarda la clave en una variable de entorno y envía una sola tarea acotada: el texto, la instrucción que separa tus resultados, las etiquetas que tu proceso ya usa y un umbral. El endpoint acepta texto de 3 a 6.000 caracteres, instrucciones de 3 a 1.500, de 2 a 12 etiquetas únicas de hasta 60 caracteres y un umbral entre 0,5 y 1 que por defecto es 0,85.

Envía siempre una Idempotency-Key de 8 a 100 caracteres. Si la conexión se corta después de que el servidor guardara una decisión, repetir la petición con la misma clave devuelve esa decisión con replayed: true en lugar de cobrar otro crédito.

import os, requests

clave = os.environ["JEV_API_KEY"]
url = "https://jevapi.pro/api/v1/decisions"
equipos = ["Facturación", "Soporte", "Acceso"]

cuerpo = {
    "text": texto_de_la_fila,
    "instructions": "Elige el equipo dueño.",
    "labels": equipos,
    "threshold": 0.85,
}

respuesta = requests.post(
    url,
    headers={
        "Authorization": "Bearer " + clave,
        "Idempotency-Key": "fila-1042-v3",
    },
    json=cuerpo,
    timeout=30,
).json()

if respuesta["needsReview"]:
    revisar(respuesta["id"])
else:
    enrutar(respuesta["choice"])

Contrato de solicitud, campo a campo

Lee la respuesta como evidencia, no como veredicto

Una decisión nueva responde 201 con id, choice, confidence, probabilities, needsReview, model y latencyMs; una petición de cuenta también devuelve los créditos restantes. confidence es null cuando el modelo la omite, y entonces needsReview es true, igual que cuando la confianza queda por debajo de tu umbral.

probabilities solo se valida por dominio y límites. Nada garantiza que sus valores sumen uno ni que el mayor corresponda a la etiqueta devuelta: lee choice en lugar de ordenar un diccionario para adivinar la respuesta, y trata una etiqueta fuera de tu lista como un rechazo, no como un valor por defecto.

Confianza y umbrales de revisión

Recorre un archivo sin pagar dos veces

Con un CSV, envía las filas de una en una y respeta el límite de velocidad publicado. Deriva la clave de idempotencia de la propia fila —el identificador del mensaje y la versión de la regla—, nunca de su posición: una exportación con una fila nueva al principio desplazaría todas las claves y pagaría de nuevo trabajo ya hecho.

Un 502 o un 503 devuelve el crédito y no deja decisión, así que esa fila se puede reintentar; un 429 indica que envías más rápido de lo permitido y un 402 que la cuenta se quedó sin créditos. Guarda el estado junto a la respuesta para reintentar una fila fallida sin volver a leer el archivo.

Si prefieres no escribir el bucle todavía, el espacio de trabajo por lotes aplica la misma regla en el navegador sobre una lista pegada o un archivo y exporta todas las filas, incluidas las que fallaron.

Clasificación por lotes y exportación · Abrir el espacio por lotes

Cuándo conviene un modelo propio

Un modelo de scikit-learn o un transformer que ejecutas tú es más barato cuando las etiquetas son estables, el volumen es alto y puedes operar el modelo: sin coste por fila, sin salto de red y con control total de la latencia.

Un endpoint encaja cuando las etiquetas siguen al proceso y no a los datos, cuando prefieres no servir inferencia y cuando quieres que una respuesta dudosa quede marcada en lugar de adivinada. Se combinan bien: clasifica todo y envía solo las filas de baja confianza a un modelo propio o a una persona.

En cualquier caso, mide con un conjunto de filas etiquetado por tu equipo y reservado, no con los ejemplos con los que escribiste la regla: una regla que acierta en sus propios ejemplos suele haberlos memorizado.

Evaluar una regla de clasificación