casos de uso · Clasificación y triaje
Tickets, correos, siniestros, candidaturas, incidencias: las mismas pocas decisiones tomadas miles de veces al día. El caso menos vistoso con el retorno más claro, porque cada elemento mal enrutado le cuesta veinte minutos a alguien y la paciencia a un cliente.
cómo funciona
Tres pasos, con el componente que hace el trabajo en cada uno.
paso 01
qwen3-embedding Vectoriza un mes de tráfico real y agrúpalo. Las categorías que salen casi nunca son las del organigrama y partir de las reales es la diferencia entre un 70% y un 95% de acierto más adelante.
paso 02
deepseek-v4-flash Una llamada por elemento, una etiqueta estructurada de salida y una confianza con ella. El precio por token empuja a clasificar una muestra y resolver el resto por palabra clave; la tarifa plana hace que cubrirlo todo cueste lo mismo que muestrear.
paso 03
threshold + review queue Por debajo de tu umbral de confianza, el elemento va a una cola humana con las etiquetas candidatas adjuntas. Esas correcciones son tu conjunto de evaluación, que es la única forma honesta de saber si esto va mejorando.
drop-in
Apunta el SDK de OpenAI, o LangChain, LlamaIndex, el pipeline que ya tengas, a Helmcode. Mismas llamadas, mismas formas, modelos privados en infraestructura de la UE.
leer_los_docsfrom openai import OpenAI client = OpenAI( api_key="sk-...", base_url="https://api.helmcode.com/v1", # one line changes ) # 1 · cluster real traffic to find the categories you have vectors = client.embeddings.create( model="qwen3-embedding", input=sample, ) # 2 · classify everything, with a confidence to threshold label = client.chat.completions.create( model="deepseek-v4-flash", messages=[ {"role": "system", "content": taxonomy}, {"role": "user", "content": ticket}, ], response_format={"type": "json_object"}, )
por qué aquí
Lo que cambia al ejecutarlo sobre modelos abiertos en infraestructura que controlas.
La clasificación es lo de más volumen que la mayoría de empresas hace con un modelo y facturar por token convierte el volumen en un motivo para no hacerlo. La tarifa plana por key quita la aritmética de la ecuación.
En planes dedicado u on-premise, un modelo abierto pequeño afinado con tu propio histórico etiquetado gana a un modelo general mucho mayor en tu taxonomía y corre con mucho menos hardware. Tu histórico no lo tiene nadie más.
Una cola de tickets es un flujo de nombres, direcciones, números de cuenta y quejas. Cero logs significa que nada de eso se almacena y la opción on-premise que nada de eso sale.
sectores
Los sectores donde este caso tiene tracción, cada uno con su página y su normativa.
// faq
Lo que preguntan los equipos de operaciones y soporte antes de enrutar todo con un modelo.
Para una taxonomía estable con mucho dato etiquetado, un modelo pequeño afinado es la herramienta correcta y te lo diríamos. El modelo de lenguaje se gana el sitio cuando las categorías cambian, cuando el texto viene sucio o en varios idiomas y cuando necesitas una razón pegada a la etiqueta y no solo la etiqueta.
Depende de tu taxonomía y de tu dato, y cualquier cifra dicha sin eso es marketing. La forma de saberlo es pasar unos miles de tus propios elementos y compararlos con las etiquetas que puso una persona, que es una semana de trabajo y la única respuesta que vale.
Sí. El modelo de embeddings cubre más de 100 idiomas y el clasificador maneja un ticket que cambia de idioma a mitad de frase, que es lo normal en colas de soporte en España y es donde las reglas por palabra clave se rompen.
// empezar
Olvídate de la infra de IA. Despliega hoy el primer endpoint de inferencia privada.
Tarifa plana. Datos en la UE. Compatible con la API de OpenAI.
// cookies
Usamos cookies estrictamente necesarias para que el sitio funcione y, solo con consentimiento explícito, Google Analytics para entender el uso. Nada de publicidad, nunca — consulta la Política de cookies.
// preferencias