IDP Classify

Lee un documento y dice de cuál de los tipos que le listas es. Devuelve el documento ya leído junto al veredicto, para que IDP Extract no tenga que releerlo. Y si el fichero trae varios documentos pegados, los parte en segmentos para extraer cada uno por separado.

IDP Classify   path       = = contenido["path"]
               projects   = ["hoja-de-vida-equipo-biomedico", "reporte-mantenimiento"]
               credential = = credential("anthropic-key")
               → output: doc

If   condition = = doc["recognized"] == false
  Log   message = = "No es ninguno de los que conozco: " + doc["reason"]

Los tipos son proyectos de extracción

El parámetro projects recibe los nombres de proyectos de extracción del entorno. Cada proyecto declara su tipo de documento y una descripción; eso es lo que el clasificador lee para distinguirlos. Así el mismo sitio donde configuras qué extraer define también qué tipos hay que distinguir — no se mantienen dos listas.

Parámetros

Parámetro	Tipo	Qué es
path	texto	La ruta del documento.
projects	lista	Los tipos a distinguir: nombres de proyectos de extracción del entorno. Uno solo es un caso legítimo. Para CI también acepta un JSON de resolución en línea.
credential	credencial	Credencial de Zoan Cloud con la API key. Usa = credential("nombre").
model	texto	Clasificar es fácil comparado con extraer: un modelo pequeño sobra.
mode	enum	auto, text o azure-di.
dpi	int	El dpi en el que vendrán las cajas. Viaja con el documento hasta IDP Extract, así que se dice una vez.
pages	texto	Qué páginas leer. Vacío = todas.
endpoint / azureCredential		Azure Document Intelligence, solo para escaneos.

La salida

Es el documento entero —el mismo que devuelve IDP Load Document— más el veredicto y los segmentos:

Campo	Qué es
documentType	El tipo, o unknown.
recognized	false cuando el tipo es unknown. La señal para tu If: si es false, no extraigas — a cuarentena/revisión.
reason	Qué del documento le hizo decidir, citando el texto en el que se apoyó.
segments	Los documentos lógicos que trae el fichero, cada uno { pageStart, pageEnd, type, recognized }. Cada segmento lleva su tipo real.
splitNeedsReview	true cuando el troceo es de baja confianza (hay páginas sin reconocer, o se partió en varios sin ninguna marca impresa). Es la señal para mandar el bundle a la estación de clasificación.

Pásaselo tal cual a IDP Extract en su parámetro document y el fichero no se vuelve a leer.

Ramifica por recognized, no por la cadena

If condition = = doc["recognized"] es más robusto que comparar doc["documentType"] == "unknown" a mano: un typo en la cadena y un documento equivocado pasaría como bueno. Un unknown nunca debe descartarse en silencio — va a revisión.

Parte los ficheros que traen varios documentos

Un cliente entrega un solo PDF con la hoja de vida, el reporte de mantenimiento, la calibración y anexos, todo pegado. IDP Classify clasifica cada página: su tipo y si inicia un documento nuevo. Una frontera se abre cuando cambia el tipo, cuando el modelo detecta un inicio (membrete, encabezado nuevo, un campo que solo sale en la página 1) o cuando aparece la marca impresa «página 1 de N». Con eso agrupa las páginas en segments contiguos, cada uno con su tipo real.

Un fichero de un solo documento sale como un único segmento — el caso normal no cambia.

For Each   segmento in = doc["segments"]
  IDP Extract   path     = = archivo
                project  = = segmento["type"]
                pages    = = segmento["pageStart"] + "-" + segmento["pageEnd"]

Cuando el troceo no está claro: la estación de clasificación

Partir varios documentos del mismo tipo pegados sin marca es ambiguo. Cuando la confianza es baja, IDP Classify lo señala con splitNeedsReview = true. En ese caso, en vez de extraer a ciegas, envías el bundle a la estación de clasificación con Documents Classify Bundle, una persona confirma las fronteras/tipos, y Documents Take Confirmed los extrae.

If   condition = = doc["splitNeedsReview"] == true
     then:
       Documents Classify Bundle   path = = archivo, reference = = archivo,
                                    segments = = doc["segments"], pages = = doc["pages"], dpi = 200
       Continue

La marca impresa refuerza, no es la única vía

La marca «página 1 de N» sigue siendo una señal fuerte (y determinista), pero el troceo ya no depende solo de ella: la clasificación por página también reconoce el tipo y el inicio de documento. Lo que no queda claro, lo confirma una persona.

Siempre puede decir unknown

El enum del clasificador incluye siempre ese valor, y no es un detalle.

Sin una salida honesta, el modelo elige el tipo menos malo de la lista — porque el esquema le obliga a elegir uno. Y un documento equivocado clasificado como bueno es el fallo caro: el grounding no lo detecta, porque verifica que el texto esté en el documento, no que el documento sea el que crees. Una factura tiene números que parecen números de serie, y saldrían localizados y con confianza alta.

Azure llegó a lo mismo

Su categoría other es obligatoria desde que el servicio es GA, con esta razón escrita en su documentación: «si no se incluye, todos los ficheros se clasifican en una de tus categorías».

Un solo proyecto es un caso normal

«¿Esto es una hoja de vida, sí o no?» es la pregunta más común en una cola de un solo tipo. Con un proyecto, el enum es ["hoja-de-vida-equipo-biomedico", "unknown"] — y esa segunda opción es la que hace que la pregunta tenga sentido.

Por qué va aparte de la extracción

Porque qué hacer con un documento que no toca es una decisión del playbook. Una actividad que decide sola no hacer su trabajo esconde el control de flujo, y además impide clasificar una vez y enrutar al proyecto que corresponda — que es el caso real de una cola con documentos mezclados.

Es el mismo diseño que UiPath (Classify Document → Extract Document Data), y por la misma razón.

Lo que ahorra

Clasificar cuesta una llamada corta: entran las páginas, salen el veredicto y los segmentos. Extraer cuesta una sola llamada por documento (todos los campos de una).

Sobre una hoja de vida de 3 páginas, clasificar cuesta unos $0,003 y extraer unos $0,041. Descartar antes de extraer ahorra el 95 % del coste de un documento equivocado — y evita meter datos plausibles y falsos en tu sistema.

Actividades relacionadas

• IDP Extract — extraer, una vez sabes que es el que toca
• IDP Build Classifier — el esquema suelto, si montas el pipeline a mano