Erstellen eines KI-gestützten E-Mail-Validators mit dem Google Gemini-Modell

In meinem Unternehmen habe ich an einem Projekt gearbeitet, bei dem es um ein Kundenanfrageformular für eine E-Commerce-Website ging. Wir hatten ein System zur Überprüfung von E-Mail-Adressen eingerichtet, aber ein größeres Problem blieb bestehen: Wie kann sichergestellt werden, dass die von den Leuten gesendeten Nachrichten tatsächlich zum Speichern relevant waren und nicht nur Junk-Mail. Dies war von entscheidender Bedeutung, um unser Support-Team nicht mit irrelevanten E-Mails zu überfordern.

Die zentrale Herausforderung und der Schwerpunkt dieser Komponente bestand darin, eine Methode zu entwickeln, um automatisch die Relevanz jeder Anfrage zu bewerten, bevor sie überhaupt unseren Posteingang erreicht – im Wesentlichen ein Spam-Filter für Kundenfragen, auf den wir uns konzentrieren Behalten Sie nur die wirklich relevanten Nachrichten.

Mein erster Versuch, das Problem zu lösen, war ziemlich einfach: Ich habe Standardtechniken zur E-Mail-Validierung verwendet. Dies bedeutete, nach gängigen Spam-E-Mail-Mustern zu suchen und sicherzustellen, dass die E-Mail-Adresse richtig formatiert war. Es wurden einige offensichtliche Spam-Mails abgefangen, aber es war nicht narrensicher. Clevere Spam-E-Mails konnten diese einfachen Prüfungen problemlos umgehen.

Das Hauptproblem bestand darin, dass ich nur auf die Adresse schaute, nicht auf die Nachricht selbst. Um das wirklich zu lösen, musste ich den Inhalt der E-Mail verstehen, und hier begann ich, KI einzusetzen.

Holen Sie sich hier Ihren API-Schlüssel – AISTUDIO

Demo-Video – videoLink

Erstellen des KI-gestützten Validators mit GEMINI 1.5 FLASH MODEL

Der Kern meiner Lösung ist überraschend einfach, aber effektiv.

• Ratenbegrenzung: Es beginnt mit der Verhinderung von Missbrauch, etwas, das ich mit der Ratenbegrenzung angegangen bin. Grundsätzlich verfolgt das System nun, wie viele Nachrichten es innerhalb eines kurzen Zeitraums (in diesem Fall fünf Minuten) von einer einzelnen E-Mail-Adresse erhält.
• Erstellung der Eingabeaufforderung: Ich habe einen bestimmten Satz von Anweisungen – eine „Eingabeaufforderung“ – erstellt, um der KI genau zu sagen, worauf sie in jeder E-Mail achten soll. Diese Eingabeaufforderung umfasst den Namen des Absenders, die E-Mail-Adresse und die Nachricht selbst. Dann stelle ich der KI einige wichtige Fragen:

Analyze this email:
Name: [Sender's Name]
Email: [Sender's Email]
Message: [Email Message]

Is this message relevant to [domain/topic]?
Does the email address look legitimate?
Is the inquiry specific and reasonable?

Return JSON: {"is_valid": "Yes/No", "reason": "[Explanation]"}

• Interaktion mit der KI: Ich habe ein beliebtes KI-Modell (Gemini 1.5 Flash-Modell) verwendet (Sie können dies leicht an andere anpassen), ihm die Eingabeaufforderung gesendet und eine JSON-Antwort erhalten. Diese Antwort enthält zwei wichtige Informationen: is_valid (Ja oder Nein) und Grund (eine Erklärung der Entscheidung der KI).

• Fehlerbehandlung: Unerwartete Dinge passieren! Mein Code beinhaltet eine robuste Fehlerbehandlung. Wenn der AI-API-Aufruf fehlschlägt oder die Antwort der AI unerwartet ist, behandelt das System den Fehler ordnungsgemäß und verhindert Abstürze. Es wird eine Fehlermeldung zurückgegeben, anstatt stillschweigend fehlzuschlagen.

• Alles zusammenfassend: Das endgültige System ist elegant in seiner Einfachheit: Eine E-Mail geht ein -> Überprüfung der Ratenbegrenzung -> KI-Validierung -> Entscheidung (gültig/ungültig). Dieser Ansatz ist weitaus genauer als die einfache E-Mail-Validierung allein.

Implementierungscode

Analyze this email:
Name: [Sender's Name]
Email: [Sender's Email]
Message: [Email Message]

Is this message relevant to [domain/topic]?
Does the email address look legitimate?
Is the inquiry specific and reasonable?

Return JSON: {"is_valid": "Yes/No", "reason": "[Explanation]"}

Denken Sie daran, die Platzhalter zu ersetzen:

• [YOUR_AI_API_ENDPOINT] mit dem tatsächlichen Endpunkt Ihrer AI API.

• Die getApiKey()-Funktion mit Ihrer Methode für den sicheren Zugriff auf den API-Schlüssel.

• Die Funktion extractAIResponse() mit spezifischem Code zum Parsen der Antwort Ihres gewählten KI-Modells. Das bereitgestellte Beispiel dient der Veranschaulichung und funktioniert möglicherweise nicht direkt mit der Reaktion Ihres KI-Modells.

Der obige Code ist nur der grundlegende Ansatz zur Reduzierung der Spam-E-Mails. Er muss verfeinert werden, um Ihren Anforderungen gerecht zu werden.

Vielen Dank?

Das obige ist der detaillierte Inhalt vonErstellen eines KI-gestützten E-Mail-Validators mit dem Google Gemini-Modell. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!