Как построить таблицу ошибок AI по меткам без потери неизвестных классов

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для AI-оценки важно отдельно хранить вход, ожидаемую метку и фактический результат: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Кейс B1 ожидает billing и получает general, U1 остаётся urgent; отчёт содержит пару (billing,general):1 и ID B1. Сконструированный ввод даёт {('billing', 'general'): 1} и список B1. U1 и G1 не входят в таблицу ошибок, поскольку их метки совпали. Перед тем как применять правило к закрытому корпусу, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Запустите скрипт и проверьте пару меток по кейсу B1. Заменяя список rows на выгрузку, сопоставляйте expected и actual по одному стабильному case_id, проверяйте уникальность и наличие всех трёх меток. В итоговом отчёте показывайте сначала размеры по классам, потом пары ошибок и несколько синтетических ID для воспроизведения. Если конфликтов нет, это означает лишь отсутствие обнаруженных ошибок в данном размеченном наборе, не идеальную работу на всех будущих запросах.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки корпуса до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
from collections import Counter, defaultdict

allowed = {"urgent", "billing", "general"}
rows = [("B1","billing","general"),
        ("U1","urgent","urgent"),
        ("G1","general","general")]
counts, examples = Counter(), defaultdict(list)
for case_id, expected, actual in rows:
    if expected not in allowed or actual not in allowed:
        raise SystemExit("Unknown label: " + case_id)
    if expected != actual:
        pair = (expected, actual)
        counts[pair] += 1
        examples[pair].append(case_id)
assert counts[("billing","general")] == 1
print("Demo mismatches:", dict(counts))
print("Case IDs:", dict(examples))

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Набор слишком мал для статистического вывода. Если неизвестный actual включить в Counter, может показаться, будто это новый легальный класс; шаблон останавливает расчёт. Проверяйте сам эталон на спорных кейсах. Если вы увеличиваете корпус, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного корпуса в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, размер и происхождение набора, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Чек-лист финальной проверки