Classification de texte Power Automate : modèles AI Builder vs HTTP → Jev

Dans Power Automate, classer est surtout un routage : prendre un texte entrant, faire choisir une catégorie au modèle, puis brancher Condition/Switch avant d’écrire dans Dataverse, Service Bus ou un ticket. Deux voies AI Builder documentées : (1) modèle personnalisé entraîné ; (2) classification prédéfinie. La troisième est le connecteur HTTP vers une API externe comme JevModel. Aucune ne remplace un holdout labellisé de votre trafic.

Microsoft Learn documente « Classify text into categories with one of your custom models » : modèle AI publié, Text + Language, Classification + score 0–1. Forces : données dans le tenant ; Conditions dans le portail. Limites : labellisation, qualité et republication à votre charge ; confiance non portable en Choice/Score/Noul ; crédits d’analyse avancée (par 1k caractères) et flux premium. Calibrez le score sur votre échantillon.

L’action prédéfinie « with the standard model » demande Text et Language et renvoie la même forme Classification + score, sans modèle custom. Prototypes et routage grossier : prédéfinie. Taxonomie métier et faux routage coûteux : custom. Dans les deux cas : crédits par 1k caractères et flux premium. Hors Microsoft 365, comparez Zapier, Make, n8n et Pipedream.

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

Gardez AI Builder si peu de labels stables, faux routage peu coûteux, tout dans Power Platform, et besoin de mapping natif plus crédits Microsoft. Branche Other, journalisez Classification et score, recalibrez après changements. Prédéfini pour la vitesse ; custom si l’entraînement reste dans le tenant.

Schéma courant : déclencheur → Compose/Parse vers state → HTTP POST vers /api/v1/systemone avec Choice (2–12) et Score/Noul optionnels → Condition → effets seulement si haute confiance → file humaine sinon. Clés dans Key Vault ou référence sécurisée. 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. Pour un schéma HTTP similaire en workflows event-driven, voir pipedream-text-classification.

// Illustrative only — configure the HTTP action in Power Automate; keep secrets in Key Vault.
POST https://jevmodel.app/api/v1/systemone
Authorization: Bearer <API_KEY_FROM_CONSOLE>
Content-Type: application/json

{
  "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"]
    }
  ]
}

Calibrez toute confiance—score AI Builder 0–1 ou Score/Noul Jev—avant auto-application. Politique : bande haute auto ; moyenne vers humains avec suggestions ; sous le plancher, revue forcée. Branchez ces Conditions 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) AI Builder custom, prédéfini ou API Jev selon réutilisation, tenant et abstention. 4) Clés uniquement dans Key Vault. 5) Confirmez crédits et flux premium avec votre admin. 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.