IDP Build Classifier

IDP Build Classifier

Tipo: idp-build-classifier  ·  Paquete: IDP Activities v1.18.0  ·  Salida: object

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.

El flujo normal ya no la usa

IDP Classify ahora 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 factura a la taxonomía de una hoja de vida:

• 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 factura lleva un número que parece un número de serie. 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.

Parámetros requeridos

Parámetro	Editor	Descripción
taxonomies	lista	Las taxonomías entre las que elegir: rutas de .json o los objetos. Una sola también vale.

Salida

Devuelve un object con el JSON Schema, listo para pasárselo a AI Extract. El resultado del modelo 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 al proyecto 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/hoja-de-vida.json"), asset("taxonomias/factura.json")]   → output: clasificador

IDP Load Document      path = = rutaDoc   → output: doc
AI Extract             credential = = credential("anthropic-key")
                       prompt     = = doc["text"]
                       schema     = = clasificador
                       → output: tipo
If   condition = = tipo["documentType"] == "hoja-de-vida-equipo-biomedico"
  ...extraer con la taxonomia de hoja de vida
Else
  Log   message = = "Descartado: " + tipo["documentType"] + " — " + tipo["reason"]

Clasificar es barato: el documento entra una vez y la respuesta son tres 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.

Actividades relacionadas

• IDP Build Schema — el paso siguiente, ya sabiendo qué es.
• IDP Ground — verifica los valores, no el tipo de documento.