比較 / JevModel

Make.com Categorize Text:AI Toolkit vs HTTP → Jev(型付きラベルと信頼度しきい値)

Make AI ToolkitのCategorize Text(名前+説明カテゴリ、任意の説明、単一/複数)を、HTTP経由のJevModel呼び出しと比較。Choice/Score/Noul、信頼度しきい値、Router分岐、人手レビュー。

最終更新:

要点:シナリオモジュール vs 共有の型付き意思決定API

  • Make AI ToolkitのCategorize Textは、Name+Descriptionで定義したカテゴリに対してテキストを分析し、任意で説明を返し、1カテゴリのみ/複数許可を選べます。
  • MakeのLLM統合ガイドはclassify→validate→Routerの型を示し、信頼度しきい値の例(0.7)と、全プランで使える組み込みAIプロバイダ(有料でカスタム可)に触れます。
  • HTTP→JevModelは型付きChoice/Score/Noulを返し、副作用前にFilter/Routerでき、複数システムが同一ラベル契約を共有するならMake外でも再利用できます。

MakeシナリオでのCategorize Textの役割

Make AI Toolkitのアプリページによれば、Categorize Textは「分類するテキスト」とカテゴリ一覧(各Name+Description)を取ります。説明の返却有無と「1カテゴリのみ」(Yes=単一、No=複数)を選べます。トリガーと任意の取得の後に置き、FilterとRouterでSlack/ヘルプデスク/CRMへ書きます。Makeは学習目的でデータを保存しないとし、トークン上限などはRuntimeError、ログはシナリオ標準(ドキュメント上30日)。キャンバス内の構造化クラシファイアであり、移植可能なAPI契約ではありません。

Jev で問い合わせを振り分けるHow to classify text with the JevModel API

組み込みの強みと現場で詰まる点

Categorize TextはMake内ルーティングに強い:1バンドル→N本のRouter。Name+Descriptionは名前だけより効き、任意の説明は中帯の人手に役立ち、組み込みAIは全プランで試作しやすい(有料でOpenAI/Anthropic等)。限界は(1)Make外の同一ラベル契約、(2)平坦カテゴリを超えるScore/Noul、(3)オーケストレータ横断の校正済み棄権、(4)Zapier/n8n/バックエンドと共有するAPI。ガイドの0.7は例であり、自前チケットで校正してください。

Jev probability, confidence and human-review thresholdsZapierテキスト分類:AI by Zapier Classify vs Vertex Classify Text vs HTTP → Jev

比較:Categorize Text vs HTTP → Jev

どちらの経路も自前ラベルでの評価の代替にはなりません。下表はシナリオ形と契約の対比であり、宣伝スコアではありません。

How to classify text with the JevModel APIJev probability, confidence and human-review thresholds
比較:Categorize Text vs HTTP → Jev
観点Make AI Toolkit Categorize TextHTTP → JevModel
主な役割バンドルを分類しRouterへ型付き回答を任意の呼び出し元へ
プロバイダMake組み込みAI(全プラン)または有料のカスタムOpenRouter経由のtypesafe/jev-1.13
カテゴリ/ラベルName+Description;単一または複数Choice 2–12;任意Score/Noul;1–8問
信頼度 / 棄権ガイド例約0.7→Filter/Router;自前校正しきい値+人手ルートを副作用前に設計
Make外での再利用ロジックはシナリオ図内Zapier、n8n、アプリ、Batchで同一API

Categorize Textで十分なとき

カテゴリが少なく安定、誤振り分けの損失が小さく、処理がMake内で完結し、視覚的Routerと任意の説明が主目的ならCategorize Textで十分。Name+Descriptionを丁寧に、排他キューなら「1カテゴリのみ」、不一致用のfallback Router、カテゴリと信頼度(あれば)とモデル/プロバイダidをログ。試作は組み込み、特定モデルや課金姿勢が必要なときだけカスタム。

MakeシナリオからJevを呼ぶ(HTTPパターン)

典型パターン:Trigger(Webhook/Gmail/Sheets)→任意の取得→HTTPモジュールでJevModel /api/v1/systemoneへChoice(2–12)と任意Score/Noul→Filter→Router→高信頼のみ副作用→それ以外は人手。鍵はconnectionsへ。検証後state約8000文字、1–8問、無料検証枠はUTC日あたり成功 5 回。JevModelはOpenRouter経由でtypesafe/jev-1.13をホストし、TypeSafe AIとは独立。マルチモーダルでも重み配布でもありません。

JevModel API:リクエストと応答JevModel の料金と Jev 無料枠Zapierテキスト分類:AI by Zapier Classify vs Vertex Classify Text vs HTTP → Jev
// Illustrative only - configure the HTTP module in Make; keep secrets in connections.
POST /api/v1/systemone
{
  "state": {"channel": "email", "body": "Invoice #992 is wrong - please credit us."},
  "questions": [
    {
      "id": "route",
      "type": "choice",
      "prompt": "Support category",
      "labels": ["billing", "technical", "general"]
    },
    {
      "id": "auto_ok",
      "type": "noul",
      "prompt": "Safe to auto-tag without a human?"
    }
  ]
}

検証としきい値のあとRouter(人手の中帯)

MakeのLLM統合ガイドは、Categorize Textの後にカテゴリ所属と信頼度を検証してから振り分けることを推奨します。高帯は自動下書き、中帯はSlack/人手、低帯はエスカレーションやログ。ガイドの0.7は例です。書き込み前に自前メール/チケットのholdoutで精度・再現率を測ってください。Jevに換えても同様にChoice+Noul/ScoreでFilter→Router。破壊的モジュールの前に中・低ルートを配線。confidence-and-abstentionとsupport-triageを参照。

Jev probability, confidence and human-review thresholdsJev で問い合わせを振り分けるEvaluate a Jev workflow

シナリオスケジュール前チェックリスト

よくある質問

Make Categorize Textは型付き分類APIの代替か?

いいえ。シナリオ内クラシファイアとしては優秀です。複数システムが同一ラベル契約を共有する、またはMake外でScore/Noulと明示的棄権が必要なときは型付きAPI(Jev)が有用です。

Makeガイドの信頼度0.7は製品の既定値か?

いいえ。LLM統合ガイドの例示です。ラベルや下書きを自動適用する前に、自前トラフィックのラベル付きholdoutでしきい値を校正してください。

同一シナリオでCategorize TextとJevを併用できるか?

できます。粗い部門振り分けはCategorize Text、棄権が重要な請求/返金ルートでJev、という分割もあります。細粒度ラベルは単一の正本を保ってください。

JevModelのAPIキーはMakeのどこに置く?

HTTPモジュールのMake connection/HTTP認証を使います。モジュール欄への直書きやシナリオブループリントのgitコミットは避けてください。

JevModel は独立したプロジェクトで、TypeSafe AI とは提携していません。