Η τεχνητή νοημοσύνη μπορεί να ταξινομεί τα εισερχόμενα email και τα αιτήματα υποστήριξης στη σωστή ουρά μέσα σε δευτερόλεπτα, αλλά ένα κορυφαίο μοντέλο όπως το GPT ή το Claude είναι συχνά ο πιο ακριβός τρόπος να γίνει. Όταν οι κατηγορίες είναι σταθερές και έχετε μερικές εκατοντάδες παραδείγματα με σωστή ετικέτα, ένα μικρό μοντέλο με fine-tuning φτάνει ή ξεπερνά ένα μεγάλο μοντέλο με εντολή, με 20 έως 200 φορές μικρότερο κόστος ανά μήνυμα. Όταν δεν υπάρχουν ακόμη ετικέτες ή οι κατηγορίες αλλάζουν κάθε εβδομάδα, ένα μεγάλο μοντέλο με εντολή είναι η σωστή αρχή. Σε κάθε περίπτωση, την ακρίβεια την κρίνει η ίδια η λίστα των κατηγοριών: φτιαγμένη από πραγματικά μηνύματα, γραμμένη ως κανόνες απόφασης με δύσκολα παραδείγματα, ποτέ επινοημένη σε μια σύσκεψη.
Τι κάνει η αυτόματη ταξινόμηση email και αιτημάτων;
Διαβάζει κάθε εισερχόμενο μήνυμα και παίρνει τρεις γρήγορες αποφάσεις: σε ποια κατηγορία ανήκει, ποια στοιχεία πρέπει να εξαχθούν, όπως ένας αριθμός παραγγελίας ή ένας κωδικός πελάτη, και αν είναι αρκετά σίγουρη για να προχωρήσει ή πρέπει να δώσει το μήνυμα σε άνθρωπο. Η κατηγορία κρίνει την ουρά, την προτεραιότητα και συχνά το πρότυπο της απάντησης. Η ταξινόμηση διαλέγει από μια κλειστή λίστα που ορίζετε εσείς, ενώ η εξαγωγή συμπληρώνει πεδία που μπορεί να υπάρχουν ή όχι. Και οι δύο πρέπει να επιστρέφουν σταθερή δομή και όχι ελεύθερο κείμενο, όπως εξηγώ στο Jev: όταν η τεχνητή νοημοσύνη επιλέγει αντί να γράφει, και η εξαγωγή στοιχείων από συνημμένα τιμολόγια και έντυπα περιγράφεται στο άρθρο αυτόματη καταχώρηση τιμολογίων με τεχνητή νοημοσύνη.
Πώς σχεδιάζετε τις κατηγορίες;
Από ένα δείγμα πραγματικών μηνυμάτων, όχι από μνήμης. Πάρτε μερικές εκατοντάδες πρόσφατα email, ζητήστε από τον άνθρωπο που τα χειρίζεται να γράψει μια σύντομη σημείωση για το καθένα και ομαδοποιήστε τις σημειώσεις σε ετικέτες. Μια λίστα κατηγοριών που φτιάχτηκε σε σύσκεψη πιάνει τις συνηθισμένες περιπτώσεις που θυμάται ο κόσμος και χάνει τις σπάνιες, εκεί όπου βρίσκονται οι επικαλύψεις. Μετά γράψτε κάθε ετικέτα ως κανόνα:
- Ισχύει όταν: ένα χαρακτηριστικό που φαίνεται στο κείμενο, για παράδειγμα «ο πελάτης λέει ότι μια συγκεκριμένη χρέωση είναι λάθος».
- Δεν ισχύει όταν: η γειτονική ετικέτα με την οποία μπερδεύεται και τι τις ξεχωρίζει, για παράδειγμα «ρωτά τι είναι μια χρέωση, χωρίς να λέει ότι είναι λάθος».
- Δύο έως τέσσερα δύσκολα παραδείγματα από πραγματικά μηνύματα, το καθένα με τη σωστή ετικέτα και μια σύντομη αιτιολόγηση.
Προσθέστε σειρά προτεραιότητας για τα μηνύματα που ταιριάζουν σε δύο ετικέτες, και μια κατηγορία «άλλο» με ποσοστό-στόχο. Αν το «άλλο» ξεπεράσει περίπου το 10% έως 15% των μηνυμάτων, λείπει κατηγορία από τη λίστα, δεν αποτυγχάνει το μοντέλο.
Είναι ένα μεγάλο γλωσσικό μοντέλο ο καλύτερος ταξινομητής;
Σπάνια, από τη στιγμή που υπάρχουν παραδείγματα με ετικέτες. Μια σύγκριση του 2026 σε τέσσερα γνωστά benchmarks βρήκε ότι μικρά μοντέλα κωδικοποίησης με fine-tuning έμειναν έως 1,6 μονάδες πίσω από το GPT-4o και το Claude Sonnet 4.5 με εντολή όπου κέρδισαν τα μεγάλα, και βγήκαν έως 3,3 μονάδες μπροστά όπου έχασαν, με περίπου 0,005 έως 0,03 δολάρια ανά χίλια μηνύματα έναντι 0,19 έως 2,70 δολαρίων, και πιο γρήγορα (Valdes Gonzalez, 2026). Μια άλλη μελέτη βρήκε μια μέθοδο δεκαετιών, το Naive Bayes, να φτάνει 89,1% σε ένα benchmark κατηγοριοποίησης ειδήσεων, στο ίδιο επίπεδο με ένα μοντέλο 27 δισεκατομμυρίων παραμέτρων χωρίς παραδείγματα (89,0%) και πάνω από ένα πολύ μεγαλύτερο (84,8%), τρέχοντας σε κοινό επεξεργαστή (Sada κ.ά., 2026). Το πραγματικό πλεονέκτημα του μεγάλου μοντέλου είναι όταν δεν έχετε καθόλου ετικέτες.
Πότε χρησιμοποιείτε μεγάλο μοντέλο και πότε μικρό;
Διαλέξτε με βάση τον όγκο, τις ετικέτες σας και το πόσο συχνά αλλάζουν οι κατηγορίες:
- Καμία ετικέτα, κατηγορίες που ακόμη αλλάζουν, κάτω από περίπου 100.000 μηνύματα τον μήνα: μεγάλο μοντέλο με εντολή.
- Σταθερές κατηγορίες, 500 ή περισσότερα παραδείγματα με ετικέτα, μεγάλος όγκος: μικρό μοντέλο με fine-tuning ή ένας απλός ταξινομητής πάνω σε embeddings.
- Ετικέτες που θέλουν πραγματική κατανόηση κειμένου ή εξωτερικό κανόνα: μεγάλο μοντέλο, και δεχτείτε το κόστος.
Ο πρακτικός συνδυασμός ξεκινά με το μεγάλο μοντέλο να βάζει ετικέτες, ανθρώπους να τις διορθώνουν και ένα μικρό μοντέλο εκπαιδευμένο στο διορθωμένο σύνολο, που μετά αναλαμβάνει τα σίγουρα μηνύματα ενώ το μεγάλο παίρνει όσα αμφιβάλλει. Έτσι δουλεύει και η είσοδος του δικού μου βοηθού: ένα μοντέλο 5 εκατομμυρίων παραμέτρων που εκπαίδευσα από το μηδέν αναγνωρίζει 35 είδη αιτημάτων στα ελληνικά και τα αγγλικά και τρέχει σε κινητό (BSLM). Περισσότερα για τα μικρά μοντέλα, στο άρθρο μικρά γλωσσικά μοντέλα.
Πώς ξέρετε πότε η τεχνητή νοημοσύνη δεν είναι σίγουρη;
Από ένα όριο που ορίζετε πάνω σε δικά σας μηνύματα ελέγχου, ποτέ μόνο από όσα λέει το μοντέλο. Η βεβαιότητα που δηλώνει ένα μοντέλο κατατάσσει χρήσιμα τα μηνύματα, αλλά δεν είναι πραγματική πιθανότητα και αλλάζει όταν αλλάζει η διατύπωση της εντολής. Ζητήστε ένα χονδρικό επίπεδο βεβαιότητας, υψηλό, μέτριο ή χαμηλό, ταξινομήστε ένα σύνολο ελέγχου με βάση αυτό, δείτε πώς πέφτει η ακρίβεια όσο μεγαλώνει η κάλυψη και διαλέξτε το ποσοστό ελέγχου που μπορεί να σηκώσει η ομάδα σας. Ό,τι πέφτει κάτω από το όριο πηγαίνει σε άνθρωπο, και κάθε μήνυμα που διορθώνεται γίνεται νέο παράδειγμα. Πώς φτιάχνετε αυτό το σύνολο ελέγχου, στο evals: πώς αποδεικνύετε ότι ένα σύστημα τεχνητής νοημοσύνης δουλεύει.
Πόσο κοστίζει η ταξινόμηση χιλίων email;
Από ένα κλάσμα του λεπτού μέχρι περίπου ένα δολάριο, ανάλογα με το σύστημα. Με τους δικούς μου υπολογισμούς στις τιμές του Σεπτεμβρίου 2026, για email 600 tokens και ετικέτα μίας λέξης: περίπου 1,30 δολάρια ανά χίλια στο Claude Sonnet 5 με κλήσεις μία μία, περίπου 0,65 στο μικρότερο Claude Haiku 4.5, περίπου 0,33 μέσω της μαζικής επεξεργασίας, που και οι τρεις μεγάλοι πάροχοι τη χρεώνουν 50% φθηνότερα (Anthropic, batch processing), και περίπου 0,10 όταν οι κοινές οδηγίες μπαίνουν και σε cache. Ένα μικρό μοντέλο με fine-tuning κοστίζει 0,005 έως 0,03 δολάρια. Για email που δεν θέλουν άμεση απάντηση, η μαζική επεξεργασία είναι η πρώτη εξοικονόμηση, όχι η τελευταία.
Τι διαφέρει στα ελληνικά email;
Τα ελληνικά email ανακατεύουν τρόπους γραφής περισσότερο από τα αγγλικά: πολλοί πελάτες γράφουν σε Greeklish, παραλείπουν τους τόνους, γυρίζουν στα αγγλικά για ονόματα προϊόντων ή γράφουν με κεφαλαία. Βάλτε όλα αυτά στα παραδείγματα και στο σύνολο ελέγχου, όχι μόνο καθαρά ελληνικά, και διαλέξτε πολύγλωσσο μοντέλο για τον μικρό ταξινομητή. Οι ίδιοι κανόνες κανονικοποίησης που βοηθούν την ελληνική αναζήτηση, όπως η αφαίρεση των τόνων για τη σύγκριση με διατήρηση του αρχικού κειμένου, βοηθούν και την ταξινόμηση, όπως εξηγώ στο RAG στα ελληνικά. Η ταξινόμηση είναι το πρώτο βήμα ενός AI agent για την εξυπηρέτηση πελατών, που μετά απαντά στα συνηθισμένα μηνύματα και ετοιμάζει προσχέδιο για τα υπόλοιπα.
Συχνές ερωτήσεις
Πόσα παραδείγματα με ετικέτα χρειάζομαι;
Μερικές εκατοντάδες καλά παραδείγματα φτάνουν για έναν σταθερό μικρό ταξινομητή σε μια λίστα που δεν αλλάζει. Ξεκινήστε με ένα μεγάλο μοντέλο να προτείνει τις ετικέτες και έναν άνθρωπο να τις διορθώνει, που είναι πιο γρήγορο από το να τις βάζετε από το μηδέν.
Μπορεί η ίδια τεχνητή νοημοσύνη να απαντά και στα email;
Μπορεί να ετοιμάζει προσχέδια απαντήσεων, κάτι που είναι ξεχωριστό βήμα με δικούς του ελέγχους. Η ταξινόμηση αποφασίζει πού πηγαίνει ένα μήνυμα, ενώ η απάντηση χρειάζεται τα σωστά στοιχεία και συνήθως έγκριση από άνθρωπο, όπως περιγράφω στο άρθρο εξυπηρέτηση πελατών με τεχνητή νοημοσύνη σε e-shop.
Τι γίνεται όταν αλλάζουν οι κατηγορίες;
Ένα μεγάλο μοντέλο με εντολή προσαρμόζεται μόλις αλλάξετε τη λίστα. Ένα μικρό εκπαιδευμένο μοντέλο θέλει νέα παραδείγματα και νέα εκπαίδευση, που για έναν απλό ταξινομητή κρατά λεπτά. Παρακολουθήστε το ποσοστό του «άλλο»: όταν ανεβαίνει, η λίστα θέλει νέα κατηγορία.
Αν η ομάδα σας ταξινομεί email ή αιτήματα με το χέρι, στείλτε μου τις κατηγορίες που έχετε και τον όγκο ενός μήνα. Αν ταιριάζει μικρό μοντέλο, μεγάλο ή και τα δύο, φαίνεται συνήθως από αυτά τα δύο στοιχεία.