Что такое классификация — задача, в которой ИИ почти не врёт

Есть задача, где ИИ почти не может соврать. Не потому что он стал честнее — потому что ему физически не оставили выбора.
Это классификация. И она устроена так, что модель не в состоянии выдумать ответ: ты заранее говоришь, какие ответы существуют, а всё остальное схема просто не пропустит.
Звучит скучнее, чем «напиши мне текст». Но именно на классификации держится большинство работающих ИИ-фич — и именно её новички обходят стороной.
Что такое классификация
Классификация — это когда модель не сочиняет ответ, а выбирает один из твоих заранее заданных ярлыков.
Отзыв — «положительный», «отрицательный» или «нейтральный». Письмо — «счёт», «поддержка», «спам». Трата — «еда», «транспорт», «жильё». Ярлыки придумываешь ты; работа модели — приложить один из них.
Это старейшая задача машинного обучения, но раньше под каждую нужно было собирать датасет и обучать свою модель. Сейчас — одна фраза в промпте, и классификатор готов к вечеру. Вот это и изменилось.
Различают два случая, и путать их дорого:
- Один ярлык из многих. Письмо — либо «счёт», либо «спам». Технически модель просто выбирает из списка.
- Несколько ярлыков сразу. Отзыв может быть одновременно «про доставку» и «про цену». Тут нужен уже список, а не одно значение — и оценивать точность придётся иначе.
Как запереть модель в свои ярлыки
Обычный способ — попросить в промпте: «ответь одним словом из списка». Работает в 95 случаях из 100, а в остальных пяти прилетает «Скорее всего, это счёт 😊» — и твой код падает на сравнении строк.
Поэтому ярлыки задают схемой, а не просьбой. В Gemini API это выглядит так:
from enum import Enum
class Category(Enum):
INVOICE = 'счёт'
SUPPORT = 'поддержка'
SPAM = 'спам'
OTHER = 'другое'
response = client.models.generate_content(
model='gemini-2.5-flash',
contents=letter_text,
config={
'response_mime_type': 'text/x.enum',
'response_schema': Category,
},
)
print(response.text) # ровно одно из четырёх слов
Обрати внимание на text/x.enum. Это не JSON — на выходе сырое значение, одно слово без кавычек и без обёртки. То есть тебе даже парсить нечего: ответ либо один из твоих ярлыков, либо ничего. Подробнее про этот механизм — в разборе структурированного вывода.
Почему это самая дешёвая задача для ИИ
Три причины, и все про счёт в конце месяца.
Ответ — один токен. Не абзац, не JSON, а слово. Платишь ты и за вход, и за выход — а выход тут микроскопический.
Хватает маленькой модели. Разложить письмо по четырём ящикам — не то же, что написать статью. Здесь спокойно работает маленькая языковая модель, которая дешевле флагмана в разы, а иногда и вовсе крутится локально. Остальные приёмы экономии — в разборе как сократить расходы на ИИ.
Можно резать контекст. Для «спам или не спам» не нужно всё письмо — часто хватает темы и первых строк.
Почему её можно измерить, а генерацию — нет
Вот главное отличие, из-за которого стоит начинать именно с классификации.
Возьми сгенерированный текст и спроси: он правильный? Ответа нет. Есть «мне нравится», «слишком длинно», «не тот тон» — вкусовщина, которую не сложить в число.
Теперь возьми классификацию. Ты руками разметил 50 писем, прогнал их через модель, сравнил — 46 совпало. Точность 92 %. Изменил формулировку ярлыка, прогнал снова — 94 %. Ты видишь, стало лучше или хуже.
Именно так работает оценка модели: без числа ты не улучшаешь, а перемешиваешь. Пошагово этот прогон разобран в гайде как классифицировать текст с помощью ИИ.
И ещё один эффект, о котором мало говорят: 80 % ошибок классификатора — это не глупость модели, а кривые ярлыки. Если у тебя рядом стоят «поддержка» и «жалоба», путаться будет и человек. Метрика ловит это на второй итерации.
Где ты с этим встретишься
Практически в любой полезной ИИ-фиче — просто под другими названиями:
- Разбор входящего. Письма, тикеты, заявки с формы — по папкам.
- Модерация. «Нормально» / «на проверку» / «блок».
- Маршрутизация. Простой вопрос — дешёвой модели, сложный — флагману.
- Финансы. Строка из выписки — в категорию расходов.
- Теги. Заметке или фото — метки из твоего фиксированного списка.
Заметил закономерность? Все они не про «ИИ пишет за меня», а про «ИИ сортирует за меня». Вторая половина скучнее и работает надёжнее.
Классификация — это то же, что теги через промпт?
Почти, но с одной разницей, которая всё решает. «Придумай теги» — генерация: список каждый раз новый, и по нему нельзя фильтровать. Классификация — выбор из закрытого списка, поэтому результат можно положить в столбец базы и искать по нему.
Сколько ярлыков брать?
Начни с 4–7 плюс «другое». Меньше пяти — теряешь смысл, больше десяти — модель начинает путать соседние, да и ты сам. Если «другое» набирает больше 20 %, значит, ты пропустил категорию — доставай её оттуда и делай отдельным ярлыком.
Классификация — редкий случай, когда «скучное» решение оказывается и дешевле, и надёжнее эффектного. В KODiQ мы разбираем такие вещи на «ты» и на живых примерах — от первого промпта до фичи, которой можно доверять.
Курс «Профессия 2027: ИИ-архитектор»: шаг за шагом от основ компьютера до своего приложения и первых клиентов. 543 коротких урока на телефоне.





