生成與推論
Classification 分類是什麼？讓 AI 幫你貼標籤
Classification（分類）是把一則內容依照它的特徵，放進事先定義好的類別裡，例如把郵件分成帳務通知、行銷推廣、會議邀請。AI 會先理解內容、比對已知的分類規則或樣本，判斷最符合哪一類，再輸出標籤，通常還會附上一個信心分數。分類是 AI 任務裡最好驗收的一種，因為答案是有限的選項，對錯一眼就看得出來。
Classification 分類是什麼？讓 AI 幫你貼標籤
如果你只想從一個地方開始自動化，我通常建議從分類開始。它最好驗收，也最快看到效益。
因為答案是有限的選項，錯了你馬上知道，不像生成類任務要一句一句讀完才敢用。
你將學到什麼
定義
把內容依照特徵放進預先定義好的類別，輸出一個標籤。
白話比喻
像整理衣櫃。T-shirt 放衣櫃區、外套放外套區，找東西才快。
為什麼好用
答案是有限選項，容易驗收，也容易接後續的通知與分流。
做得好的關鍵
類別定義要清楚、不重疊，並且給足夠的例子。
定義
分類就是把一堆內容依照特徵分進不同類別，讓資訊更有條理。類別是事先定好的，模型只負責挑一個最符合的。
分好之後才好搜尋、好統計、好做決策。這也是為什麼分類常常是自動化流程的第一站。
白話比喻
像整理衣櫃。T-shirt 放衣櫃區，外套放外套區，褲子掛另一邊。
衣服本身沒有變多也沒有變少，但你從此找得到。分類對資料做的就是同一件事。
AI 怎麼做分類
六個步驟：輸入內容、分析特徵與語意、比對已知的分類規則或樣本、判斷最符合的類別、輸出標籤與信心分數、再接後續應用。
常見的分類型態很多樣，文字分類、圖片分類、情緒分類、主題分類、風險分類都算，做法一樣只是特徵不同。
跟相近任務的差別
| 任務 | 做什麼 | 例子 |
|---|---|---|
| 分類 | 把內容放到預先定義的類別 | 新聞歸到科技、娛樂或國際 |
| 擷取 | 從內容中找出特定資訊 | 找出日期、金額、地點 |
| 摘要 | 把長內容濃縮成重點 | 把一篇報告變成三個重點 |
| 生成 | 創造新的內容 | 寫一封推薦信 |
實際用例
最經典的是郵件自動分類。系統看關鍵字、語氣、時間與風險訊號，把信判成帳務通知、行銷推廣、會議邀請或系統警示，再分流到不同資料夾或通知不同的人。
客服訊息分緊急程度、產品評論分正負面、表單留言分主題，都是同一套。分類結果接得上路由，整條流程才自動得起來。
常見誤解
最常見的誤解是以為分類結果等於絕對正確。它是機率判斷，會有錯，所以信心分數低的那些應該退回人工，而不是照單全收。
第二個誤解是類別開太多太細。類別越模糊、越重疊，模型越容易混淆，實務上先用少數幾個清楚的類別跑穩，再視需要細分。
本文源起本文內容出自酒Ann 的「AI 實戰陪跑班」課程教材，由酒Ann 編寫成彙編條目。想系統性搞懂 AI 名詞，歡迎追蹤 酒Ann 的 Facebook。
延伸學習
常見問答
分類跟擷取差在哪？
分類是從既有的選項裡挑一個，輸出的是標籤，例如把一封信判成行銷推廣。擷取是從內容裡把特定資訊找出來，輸出的是原文裡的片段，例如抓出日期、金額、地點。一個在貼標籤，一個在挖資料。
為什麼我的分類結果一直不穩？
最常見的原因是類別定義太模糊或彼此重疊，模型在兩個都說得通的類別之間搖擺。其次是每個類別的例子數量差太多，或提供的範例本身就標得不一致。先把定義寫死、補齊邊界案例，通常就會穩下來。
一則內容同時屬於兩類怎麼辦？
改成多標籤分類，允許它同時掛好幾個標籤，而不是硬逼模型二選一。另一個做法是加一個「其他」或「需人工判斷」的類別，讓模稜兩可的案例有地方去，不會被硬塞進錯的類別裡。