Clasificación de texto en Pipedream: acción Hugging Face vs HTTP → Jev

En Pipedream, clasificar suele ser un enrutado tras un trigger: normalizas texto, pides label o scores y ramificas antes de escribir en CRM, cola o notificación. Dos patrones: (1) acción Hugging Face Text Classification; (2) HTTP/Node hacia una API como JevModel. Ninguno sustituye un holdout etiquetado. Para stacks Microsoft, véase power-automate-text-classification.

La doc de Pipedream describe hugging_face-text-classification con modelId, text y additionalFields opcionales (p. ej. parameters.candidate_labels). La salida depende del modelo: muchos del Hub dan sentimiento o verosimilitudes, no tu taxonomía. Fortalezas: cableado rápido, candidate labels, sin payload HTTP si encaja. Límites: labels siguen el modelo HF; la confianza no es Choice/Score/Noul portable; calidad y rate limits del Hub; cambiar de modelo puede renombrar labels. Prefiérelo si ya estandarizas un checkpoint del Hub.

La doc HTTP de Pipedream cubre workflows HTTP y peticiones desde Node. Matiz: $.send.http es async y no puedes usar la respuesta en el workflow—prefiere await axios cuando el siguiente paso lea el envelope de Jev (code, message, data con request_id, answers, usage, quota). Mapea answers a filtros/if y efectos solo con alta confianza. Claves en cuentas conectadas o secretos de entorno.

La tabla contrasta forma de flujo y contrato de decisión, no puntuaciones de marketing. Calibra cualquier confianza en tu muestra etiquetada.

Quédate en la acción HF si confías en un modelo Hub concreto, hay pocas etiquetas mapeables, un falso enrutado es barato y todo vive en Pipedream. Pasa candidate_labels si aplica, mantén rama Other y registra modelId. Prefiere HTTP → Jev si varios sistemas comparten el contrato o necesitas Score/Noul fuera de Pipedream.

Patrón habitual: trigger → código a state → Node con await axios POST a /api/v1/systemone con Choice (2–12) y Score/Noul opcional → if/Filter → efectos solo con alta confianza → cola humana si no. Presupuesto: ~8000 caracteres tras validar, 1–8 preguntas, cuota diaria (5/día UTC) en cuentas gratuitas verificadas. JevModel hospeda typesafe/jev-1.13 vía OpenRouter; independiente de TypeSafe AI; no multimodal ni pesos descargables aquí. Claves en Console → API keys. Para Power Automate, véase power-automate-text-classification.

// Illustrative only — put the API key in Pipedream secrets / connected accounts.
import axios from "axios";

const res = await axios.post(
  "https://jevmodel.app/api/v1/systemone",
  {
    state: "Customer asks for a refund on order #1842 after late delivery.",
    questions: [
      {
        id: "route",
        type: "choice",
        prompt: "Support route",
        labels: ["billing", "shipping", "product", "other"],
      },
    ],
  },
  {
    headers: {
      Authorization: `Bearer ${process.env.JEVMODEL_API_KEY}`,
      "Content-Type": "application/json",
    },
  }
);

// Prefer awaiting axios when you need res.data to branch.
// Do not use $.send.http if the next step must read the response.
return res.data;

Calibra cualquier confianza—scores Hub de la acción HF o Score/Noul de Jev—antes de autoaplicar. Política: banda alta automática; media a humanos; bajo el suelo, revisión forzada. Cablea ramas medias/bajas antes de escrituras. La fórmula Choice de TypeSafe es (p − 1/n)/(1 − 1/n); no es accuracy calibrada.

1) Congela un diccionario de labels con casos límite. 2) Other vs descartar. 3) Acción HF o API Jev según reuso, Hub y abstención. 4) Claves solo en secrets/cuentas conectadas. 5) Con HTTP, await axios si el siguiente paso lee la respuesta—no uses $.send.http para ramificar. 6) Mide precisión/recall en holdout tras cada cambio. 7) Acciones destructivas detrás de umbrales y rama humana. 8) No afirmes ganancias de ranking o precisión sin medirlas.