Résumez cet article avec :
- Utilisez ces exemples pour former un modèle capable de généraliser et de classer des textes similaires en conséquence.
- Avec seulement quelques lignes de Python, vous pouvez classer le texte avec une précision réelle à l'aide de fournisseurs d'IA fiables.
- Dans ce didacticiel, vous allez apprendre à créer un système de classification de texte personnalisé simple mais puissant à l'aide de JavaScript.
- Voici un exemple Python complet utilisant le point de terminaison /text/custom_classification d'Eden AI.
- Ces exemples permettent au système de reconnaître les motifs et d'appliquer les étiquettes appropriées au nouveau texte invisible.
Dans le monde actuel axé sur les données, il est essentiel de donner un sens à de grands volumes de texte, qu'il s'agisse d'organiser les commentaires des utilisateurs, de baliser les tickets d'assistance ou de filtrer le contenu. C'est là classification de texte personnalisée entre. Il vous permet d'attribuer automatiquement des catégories ou des étiquettes au texte en fonction des modèles que vous définissez.
Dans ce didacticiel, vous allez apprendre à créer un système de classification de texte personnalisé simple mais puissant à l'aide de JavaScript.
Qu'est-ce que Classification de texte personnalisée?

Classification de texte personnalisée est le processus qui consiste à attribuer automatiquement des étiquettes prédéfinies aux données textuelles en fonction de catégories définies par l'utilisateur. Contrairement aux modèles de classification génériques, il est adapté à des besoins spécifiques grâce à une formation basée sur un petit ensemble d'exemples de textes fournis par l'utilisateur. Ces exemples permettent au système de reconnaître les motifs et d'appliquer les étiquettes appropriées au nouveau texte invisible.
En gros, il vous permet de :
- Définissez vos propres catégories (par exemple, « Positif », « Négatif », « Neutre » ou « Facture », « Contrat », « E-mail »).
- Fournissez quelques exemples étiquetés pour chaque catégorie.
- Utilisez ces exemples pour former un modèle capable de généraliser et de classer des textes similaires en conséquence.
C'est particulièrement utile lorsque les classificateurs standard ne correspondent pas à votre contexte ou lorsque vous travaillez avec un langage spécifique à un domaine.
Comment classer le contenu textuel à l'aide de classes personnalisées
Accédez à l'API Eden AI
1. Inscrivez-vous : Vous devez d'abord vous inscrire sur Eden AI et obtenez votre clé API. Cette clé vous donnera accès à un large éventail de services d'IA, y compris la catégorisation de texte personnalisée.

2. Accès au traitement de texte: Une fois connecté, rendez-vous dans la section Texte de la plateforme pour accéder aux outils disponibles.
3. Choisissez Prompt Optimization: cliquez sur la fonction d'optimisation rapide.
Installation du module Python requis
Pour effectuer des requêtes HTTP, assurez-vous que la bibliothèque de requêtes est installée :
pip install requests
Préparez le code
La classification personnalisée passe désormais par un LLM, via l'endpoint compatible OpenAI d'Eden AI, https://api.edenai.run/v3/chat/completions. Voici un exemple Python complet :
import json
import requests
headers = {
"Authorization": "Bearer <your_api_key>"
}
url = "https://api.edenai.run/v3/chat/completions"
labels = ["spam", "not spam"]
texts = [
"Confirm your email address",
"hey i need u to send some $"
]
examples = [
["I need help please wire me $1000 right now", "spam"],
["Dermatologists dont like her!", "spam"],
["Pre-read for tomorrow", "not spam"],
["Your parcel will be delivered today", "not spam"]
]
# The labels and examples go into the prompt
prompt = (
f"Classify each text into one of these labels: {labels}.\n"
f"Labeled examples (text, label): {examples}\n"
f"Texts to classify: {texts}"
)
payload = {
"model": "openai/gpt-4o-mini",
"messages": [{"role": "user", "content": prompt}],
# Force a JSON answer where each label can only be one of yours
"response_format": {
"type": "json_schema",
"json_schema": {
"name": "classification",
"strict": True,
"schema": {
"type": "object",
"properties": {
"items": {
"type": "array",
"items": {
"type": "object",
"properties": {
"text": {"type": "string"},
"label": {"type": "string", "enum": labels}
},
"required": ["text", "label"],
"additionalProperties": False
}
}
},
"required": ["items"],
"additionalProperties": False
}
}
}
}
response = requests.post(url, json=payload, headers=headers)
result = response.json()
print(json.loads(result["choices"][0]["message"]["content"]))
Explication des sections de code
- labels : les catégories cibles dans lesquelles vous souhaitez classer les textes.
- texts : liste des nouveaux textes à classer.
- examples : exemples étiquetés, placés dans le prompt pour orienter les prédictions du modèle.
- model : le fournisseur et le modèle à utiliser, au format
provider/model(par exemple openai/gpt-4o-mini). - response_format : un schéma JSON qui oblige le modèle à répondre avec l'une de vos catégories.
C'est classement sans entraînement, alimentée par de grands modèles linguistiques et guidée par vos exemples personnalisés.
Exemple de sortie
Voici un exemple de ce que l'API peut renvoyer :
{
"items": [
{"text": "Confirm your email address", "label": "not spam"},
{"text": "hey i need u to send some $", "label": "spam"}
]
}
Répartition du champ de sortie :
- text : le texte classé.
- label : la classe prédite.
La réponse complète de l'API contient aussi cost (le coût de la requête, en dollars) et provider.
Conclusion
La classification de texte personnalisée est désormais plus facile que jamais avec Eden AI. Avec seulement quelques lignes de Python, vous pouvez classer le texte avec une précision réelle à l'aide de fournisseurs d'IA fiables. Qu'il s'agisse de filtrer des e-mails ou de baliser des commentaires, Eden AI propose une solution simple et évolutive qui évolue en fonction de vos besoins.
Prêt à créer votre propre classificateur ? Démarrez avec Eden AI.