Classification de texte Pipedream : action Hugging Face vs HTTP → Jev

Dans Pipedream, classer est surtout un routage après un déclencheur : normaliser le texte, obtenir un label ou des scores, puis brancher avant d’écrire dans CRM, file ou notification. Deux schémas : (1) action Hugging Face Text Classification ; (2) HTTP/Node vers une API comme JevModel. Aucun ne remplace un holdout labellisé. Pour Microsoft, voir power-automate-text-classification.

La doc Pipedream décrit hugging_face-text-classification avec modelId, text et additionalFields optionnels (ex. parameters.candidate_labels). La sortie dépend du modèle : beaucoup sur le Hub renvoient sentiment ou vraisemblances, pas votre taxonomie. Forces : branchement rapide, candidate labels, pas de payload HTTP si ça convient. Limites : labels liés au modèle HF ; confiance non portable ; qualité et rate limits Hub ; changer de modèle peut renommer les labels. Préférez HF si vous standardisez déjà un checkpoint Hub.

La doc HTTP Pipedream couvre les workflows HTTP et les requêtes Node. Nuance : $.send.http est async et la réponse n’est pas utilisable dans le workflow—préférez await axios si l’étape suivante lit l’enveloppe Jev (code, message, data avec request_id, answers, usage, quota). Mappez answers vers filtres/if et effets seulement en haute confiance. Clés dans comptes connectés ou secrets d’environnement.

Le tableau oppose forme de workflow et contrat de décision, pas des scores marketing. Calibrez toute confiance sur votre échantillon labellisé.

Gardez l’action HF si vous faites confiance à un modèle Hub précis, peu de labels mappables, faux routage peu coûteux, tout dans Pipedream. Passez candidate_labels si supporté, branche Other, journalisez modelId. Préférez HTTP → Jev si plusieurs systèmes partagent le contrat ou pour Score/Noul hors Pipedream.

Schéma courant : déclencheur → code vers state → Node avec await axios POST vers /api/v1/systemone avec Choice (2–12) et Score/Noul optionnels → if/Filter → effets seulement si haute confiance → file humaine sinon. Budget : ~8000 caractères après validation, 1–8 questions, quota journalier gratuit vérifié (5/jour UTC). JevModel héberge typesafe/jev-1.13 via OpenRouter ; indépendant de TypeSafe AI ; pas multimodal ni poids téléchargeables ici. Clés dans Console → API keys. Pour Power Automate, voir 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;

Calibrez toute confiance—scores Hub de l’action HF ou Score/Noul Jev—avant auto-application. Politique : bande haute auto ; moyenne vers humains ; sous le plancher, revue forcée. Branchez ces branches avant les écritures. La formule Choice TypeSafe est (p − 1/n)/(1 − 1/n) ; ce n’est pas une accuracy calibrée.

1) Figez un dictionnaire de labels avec cas limites. 2) Other vs discard. 3) Action HF ou API Jev selon réutilisation, Hub et abstention. 4) Clés uniquement dans secrets/comptes connectés. 5) En HTTP, await axios si l’étape suivante lit la réponse—pas de $.send.http pour brancher. 6) Mesurez précision/rappel sur holdout après chaque changement. 7) Actions destructives derrière seuils et branche humaine. 8) N’affirmez pas de gains de ranking ou de précision non mesurés.