Esta guía te acompaña a través del proceso de determinar el mejor enfoque para construir un clasificador con Claude y los aspectos esenciales del despliegue de extremo a extremo de un clasificador de Claude, desde la exploración del caso de uso hasta la integración en el back-end.
¿Cuándo deberías considerar usar un LLM en lugar de un enfoque tradicional de ML para tus tareas de clasificación? Aquí tienes algunos indicadores clave:
A continuación se presenta una lista no exhaustiva de casos de uso comunes de clasificación en los que Claude destaca, organizados por industria.
Los tres factores clave de decisión del modelo son: inteligencia, "latency" (latencia) y precio.
Para clasificación, un modelo más pequeño como Claude Haiku 4.5 suele ser ideal debido a su velocidad y eficiencia. Sin embargo, para tareas de clasificación donde se requiere conocimiento especializado o razonamiento complejo, Sonnet u Opus pueden ser una mejor opción. Obtén más información sobre cómo se comparan Opus, Sonnet y Haiku en la descripción general de modelos.
Usa evaluaciones para determinar si un modelo de Claude está funcionando lo suficientemente bien como para lanzarlo a producción.
Si bien Claude ofrece un rendimiento base de alto nivel desde el primer momento, un prompt de entrada sólido ayuda a obtener los mejores resultados.
Para un clasificador genérico que puedas adaptar a tu caso de uso específico, copia el prompt inicial a continuación:
Para ejecutar tu evaluación de clasificación, necesitarás casos de prueba sobre los cuales ejecutarla. Consulta la guía para desarrollar casos de prueba.
Algunas métricas de éxito a considerar al evaluar el rendimiento de Claude en una tarea de clasificación incluyen:
| Criterio | Descripción |
|---|---|
| Exactitud | La salida del modelo coincide exactamente con la respuesta de referencia o clasifica correctamente la entrada según los requisitos de la tarea. Esto se calcula típicamente como (Número de predicciones correctas) / (Número total de predicciones). |
| Puntuación F1 | La salida del modelo equilibra de manera óptima la precisión y la exhaustividad (recall). |
| Consistencia | La salida del modelo es consistente con sus predicciones para entradas similares o sigue un patrón lógico. |
| Estructura | La salida del modelo sigue el formato o la estructura esperada, lo que facilita su análisis e interpretación. Por ejemplo, se espera que muchos clasificadores generen salidas en formato JSON. |
| Velocidad | El modelo proporciona una respuesta dentro del límite de tiempo aceptable o del umbral de latencia para la tarea. |
| Sesgo y equidad | Si se clasifican datos sobre personas, es importante que el modelo no demuestre ningún sesgo basado en género, etnia u otras características que conduzcan a una clasificación errónea. |
Para ver ejemplos de código sobre cómo usar Claude para clasificación, consulta la Guía de clasificación en el Claude Cookbook.
Was this page helpful?