IDP — Build Classifier

IDP — Build Classifier

Tipo: idp-build-classifier  ·  Paquete: IDP Activities v1.20.4  ·  Salida: object

Desde: v1.2.0

Construye el esquema con el que se identifica de qué tipo es un documento, a partir de la lista de taxonomías que conoces. Lo pasas por AI — Extract antes de extraer, y el playbook decide si sigue. En el Designer en español aparece como IDP — Construir clasificador.

El flujo normal ya no la usa

IDP — Classify clasifica cada página (su tipo y si inicia un documento) de forma interna, así que no necesita esta actividad. IDP — Build Classifier queda como pieza de bajo nivel para quien monte la clasificación a mano.

Por qué esto hace falta

Porque IDP — Ground no cubre este caso, y conviene entender por qué.

El grounding verifica “este texto está escrito en el documento”. No verifica “este documento es del tipo que yo creo”. Si le pasas una orden de compra a la taxonomía de una factura:

• Si tienes suerte, el modelo devuelve null en todo y el documento entero va a revisión. Sale caro (una persona lo mira) pero no se guarda nada malo.
• Si no la tienes, la orden de compra lleva un número que parece un número de factura. El modelo lo pone. Y el grounding lo confirma, porque ese texto sí está en el documento. Confianza alta, aceptado automáticamente, dato incorrecto guardado sin que nadie lo vea.

Ese segundo caso es el que justifica clasificar antes.

Cómo funciona

Valida cada taxonomía (las mismas reglas que IDP — Build Schema), comprueba que no haya dos con el mismo documentType y construye un JSON Schema con un enum de tipos que siempre incluye unknown. No llama al modelo: el log solo dice para cuántos tipos se construyó.

Parámetros requeridos

Parámetro	Tipo	Por defecto	Descripción
taxonomies	string | List	—	Las taxonomías entre las que elegir: rutas de .json, el JSON como texto o los objetos. Una sola también vale. Su documentType y su description son lo que el modelo lee para distinguirlas.

Parámetros opcionales

Ninguno.

Salida

Devuelve un object con el JSON Schema, listo para pasárselo como schema a AI — Extract. La respuesta del modelo con ese esquema trae dos campos:

Campo	Qué es
documentType	Uno de los documentType de tus taxonomías, o "unknown".
reason	Qué del documento le hizo decidir eso.

El enum se construye solo

La lista de tipos sale de las propias taxonomías, así que no se desincroniza: añades un tipo nuevo y el clasificador lo conoce sin que toques nada. La description de cada taxonomía se le pasa al modelo como contexto para distinguirlos, que es otra razón para escribirla bien.

unknown no es un adorno

Sin una salida honesta, un modelo al que le das una lista cerrada elige el menos malo. Por eso unknown siempre está en el enum y se le dice explícitamente que no escoja el más parecido. Un documento que no reconoces es un resultado correcto; un documento mal clasificado no.

No se pide confianza, se pide motivo

Coherente con el resto del paquete: la confianza que un modelo se autoasigna no está calibrada, y aquí no hay nada que localizar contra el documento con lo que medirla de verdad — sería un número que invita a fiarse sin base. unknown es su forma honesta de decir que no lo sabe.

reason sí sirve: la clasificación sale mejor cuando tiene que justificarla, y cuando un lote se clasifica mal, es lo que te explica por qué sin abrir los documentos a mano.

Ejemplo

IDP — Build Classifier   taxonomies = [asset("taxonomias/factura.json"), asset("taxonomias/orden-compra.json")]   → output: clasificador

IDP — Load Document      path = rutaDoc   → output: doc
AI — Extract             prompt = doc["text"]
                         schema = clasificador
                         model  = "claude-haiku-4-5"
                         → output: tipo
If   condition = tipo["documentType"] == "factura-proveedor"
  ...extraer con la taxonomía de factura
Else
  Log   message = "Descartado: " + tipo["documentType"] + " — " + tipo["reason"]

Clasificar es barato: el documento entra una vez y la respuesta son dos campos, así que un modelo pequeño basta. Lo que ahorra de verdad es lo que evita — no pagar la extracción entera de un documento que no tocaba.

Errores comunes

Mensaje	Causa y solución
'taxonomies' es obligatorio. / 'taxonomies' está vacío; no hay nada que distinguir.	No se pasó ninguna taxonomía.
Dos taxonomías declaran el mismo documentType '…'. El modelo no puede distinguir dos tipos con el mismo nombre.	Dos taxonomías con el mismo documentType (sin distinguir mayúsculas). Renombra una.
'taxonomy' no es un JSON válido: … / La taxonomía debe declarar un 'documentType'. / El campo '…' no tiene 'description'. …	Una taxonomía no es válida. Ver los errores de IDP — Build Schema.

Actividades relacionadas

• IDP — Build Schema — el paso siguiente, ya sabiendo qué es.
• IDP — Classify — la clasificación por página, lista para usar.
• IDP — Ground — verifica los valores, no el tipo de documento.