В данном видеоуроке демонстрируется работа узла Information Extractor AI, предназначенного для извлечения структурированных данных из неструктурированного текста (например, входящих лидов). Автор показывает процесс настройки схемы извлечения с обязательными и необязательными полями на базе модели Gemini 2.0 Flash. Особое внимание уделяется техникам промпт-инжиниринга и корректировке поведения искусственного интеллекта при отсутствии нужных данных в исходном тексте, чтобы избежать появления «мусорных» записей в CRM.
0:00–0:49 Введение в Information Extractor AI — Обзор узла для извлечения данных из текста на примере автоматизации обработки входящего лида.
0:49–3:33 Настройка схемы извлечения (SchemaType) — Создание атрибутов (имя, компания, бюджет, сроки) и назначение обязательных полей для структурированного вывода.
3:33–5:23 Тестирование узла и проблема галлюцинаций — Проверка работы модели при отсутствии названия компании и ошибочное извлечение типа бизнеса вместо названия.
5:23–6:44 Решение проблемы через промпт-инжиниринг — Использование конкретных примеров и четких инструкций для корректной работы ИИ при отсутствии запрашиваемых данных.
6:46–8:04 Итоговое тестирование и реальный кейс — Проверка извлечения сроков проекта и разбор примера из практики по массовой переобработке пропущенных…
🔒
Этот материал доступен участникам Клуба. Войдите или оформите доступ,
чтобы читать целиком, открывать видео и комментировать.