1. Enrutamiento de tickets de soporte
Clasifica un mensaje en facturación, soporte técnico, ventas u otra cola; detecta solicitudes explícitas de reembolso y estima urgencia en la misma llamada. La salida permite enrutar casos claros y enviar los ambiguos a clasificación manual.
Buen encaje
Pocas colas diferenciadas, tickets históricos etiquetados, descripciones concretas y una vía de revisión humana.
Presta atención a
Mensajes con varias intenciones, colas nuevas, texto no inglés enviado al punto de control inglés y presión para automatizar con una confianza sin validar.
2. Detección de hechos explícitos
Las preguntas noul sirven para hechos visibles en el estado: «¿El usuario pide un reembolso?», «¿El mensaje menciona una cuenta comprometida?» o «¿Hay una amenaza explícita de cancelación?». Varias respuestas fácticas pueden alimentar reglas de negocio deterministas.
Evita preguntar si un cliente es «bueno», un mensaje «apropiado» o una acción «segura» sin una rúbrica precisa. Los juicios amplios esconden varias preguntas y producen probabilidades más difíciles de calibrar.
3. Enrutamiento de modelos y herramientas
Antes de llamar a un modelo caro, clasifica la solicitud por dominio o capacidad necesaria. Los casos sencillos pueden ir a un modelo pequeño; las solicitudes de programación, legales o muy ambiguas, a uno avanzado o a un flujo especializado.
Examinar la solicitud
Plantear preguntas concretas sobre dominio, sensibilidad y tipo de tarea.
Aplicar reglas controladas por código
Usar las salidas tipadas como señales; mantener presupuestos y permisos en código determinista.
Medir el éxito posterior
La precisión del enrutamiento no basta: comprueba si la ruta elegida resuelve realmente la tarea.
4. Protecciones para prompts
Laya puede examinar patrones observables de jailbreak o inyección antes de llamar a un LLM. Los resultados reservados de protecciones del proyecto rondan 0.71–0.76, lejos de la perfección; debería ser una capa junto con normalización, permisos, límites de herramientas y comprobaciones de salida.
No trates un clasificador único como frontera de seguridad. Los falsos negativos permiten prompts maliciosos; los falsos positivos bloquean trabajo legítimo.
5. Relevancia de pasajes RAG
Dada una consulta y un pasaje recuperado, estima si este contiene evidencia pertinente. Puede filtrar fragmentos débiles antes de generar o ayudar a elegir estrategias de recuperación.
El mejor resultado del proyecto en su conjunto de aplicaciones es 0.657. Basta para explorar reordenación o filtros, no para asumir verificación factual fiable sin evaluación específica de la tarea.
6. Clasificación de spam y suplantación de identidad
Laya informa resultados muy altos en spam y phishing, pero ambos aparecían en el entrenamiento. Demuestran aprendizaje de la tarea y no detección general sin ejemplos. Reentrena y evalúa con los mensajes actuales de tu organización, incluidos ataques nuevos.
7. Cascadas que priorizan lo local
Usa un punto de control especializado de Laya para casos claros y frecuentes y escala los inciertos a Jev, un LLM general o una persona. Suele ser más realista que pedir a un modelo maximizar precisión, latencia, privacidad y coste a la vez.
El umbral es una decisión de producto
Un umbral cambia la cobertura de automatización y el coste de errores. Elígelo con curvas de validación por tarea y vigila desviaciones. Un umbral global para choice, score y noul difícilmente será óptimo.
Mal encaje
| Tarea | Por qué Laya encaja mal | Usar en su lugar |
|---|---|---|
| Redactar una respuesta al cliente | No genera texto | Un LLM generativo después del enrutamiento |
| Resumir un documento | Las respuestas posibles son abiertas | Un modelo de resumen o LLM |
| Seleccionar entre cientos de etiquetas extensas | El presupuesto predeterminado de tokens para opciones se agota | Jev, enrutamiento jerárquico o preselección por recuperación |
| Aprobación final de alto riesgo | La calibración y los cambios de distribución siguen dependiendo de la tarea | Apoyo a decisiones más comprobaciones deterministas y revisión humana |
| Explicar una decisión | No genera justificaciones | Guardar evidencia por separado o usar un flujo de explicación |
Antes de implementar
- Define la decisión exacta y enumera las salidas aceptables.
- Recopila ejemplos etiquetados representativos, incluidos casos ambiguos y «ninguna de las anteriores».
- Elige el punto de control conscientemente; no uses la confianza para detectar un idioma incorrecto.
- Mide los errores de alta confianza y el comportamiento por clase.
- Decide qué hacer con poca confianza o entradas fuera de alcance.
- Mantén los efectos irreversibles detrás de permisos deterministas y revisión.
Fuente de evidencia: pruebas consolidadas de Laya. Interfaz y ejemplos predefinidos: repositorio de Laya. Las recomendaciones son interpretaciones independientes, no afirmaciones de los responsables.