Création d'un validateur d'e-mails alimenté par l'IA à l'aide du modèle Google Gemini

Dans mon entreprise, j'ai travaillé sur un projet impliquant un formulaire de demande client pour un site de commerce électronique. Nous avions un système en place pour vérifier les adresses e-mail, mais un problème plus important subsistait : comment garantir que les messages envoyés par les gens étaient réellement pertinents à stocker et pas seulement du courrier indésirable. C'était crucial pour éviter de submerger notre équipe d'assistance avec des e-mails non pertinents.

Le principal défi, et l'objectif de ce composant, consistait à développer une méthode pour évaluer automatiquement la pertinence de chaque demande avant même qu'elle n'atteigne notre boîte de réception – essentiellement, un filtre anti-spam pour les questions des clients, axé sur ne gardant que les messages véritablement pertinents.

Ma première tentative pour résoudre le problème a été assez simple : j'ai utilisé des techniques standard de validation des e-mails. Cela signifiait vérifier les modèles de spam courants et s'assurer que l'adresse e-mail était correctement formatée. Il a détecté du spam évident, mais ce n'était pas infaillible. Les spams intelligents ont facilement contourné ces simples vérifications.

Le problème clé était que je regardais uniquement l'adresse, pas le message lui-même. Pour vraiment résoudre ce problème, j'avais besoin de comprendre le contenu de l'e-mail, et c'est là que j'ai commencé à utiliser l'IA.

Obtenez votre clé API à partir d'ici - AISTUDIO

Vidéo de démonstration - videoLink

Création du validateur alimenté par l'IA à l'aide du MODÈLE FLASH GEMINI 1.5

Le cœur de ma solution est étonnamment simple, mais efficace.

• Limitation du débit : Cela commence par la prévention des abus, quelque chose que j'ai abordé en utilisant la limitation du débit. Fondamentalement, le système enregistre désormais le nombre de messages qu'il reçoit d'une seule adresse e-mail sur une courte période (cinq minutes, dans ce cas).
• Créer l'invite : J'ai créé un ensemble d'instructions spécifiques – une « invite » – pour indiquer à l'IA exactement ce qu'elle doit rechercher dans chaque e-mail. Cette invite inclut le nom de l'expéditeur, son adresse e-mail et le message lui-même. Ensuite, je pose à l’IA quelques questions clés :

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]"}

• Interagir avec l'IA : J'ai utilisé un modèle d'IA populaire (Gemini 1.5 Flash Model) (vous pouvez facilement l'adapter à d'autres), en lui envoyant l'invite et en recevant une réponse JSON. Cette réponse contient deux informations clés : is_valid (Oui ou Non) et la raison (une explication de la décision de l'IA).

• Gestion des erreurs : Des choses inattendues se produisent ! Mon code inclut une gestion robuste des erreurs. Si l'appel de l'API AI échoue ou si la réponse de l'IA est inattendue, le système gère l'erreur en douceur et évite les plantages. Il renvoie un message d'erreur au lieu d'échouer silencieusement.

• Rassembler le tout : Le système final est élégant dans sa simplicité : Un e-mail arrive -> Vérification de la limitation de débit -> Validation IA -> Décision (valide/invalide). Cette approche est bien plus précise que la simple validation par e-mail seule.

Code de mise en œuvre

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]"}

N'oubliez pas de remplacer les espaces réservés :

• [YOUR_AI_API_ENDPOINT] avec le point de terminaison réel de votre API IA.

• La fonction getApiKey() avec votre méthode pour accéder en toute sécurité à la clé API.

• La fonction extractAIResponse() avec du code spécifique à l'analyse de la réponse du modèle d'IA que vous avez choisi. L'exemple fourni est illustratif et peut ne pas fonctionner directement avec la réponse de votre modèle d'IA.

Le code ci-dessus n'est que l'approche de base pour réduire les courriers indésirables dont il a besoin d'être affiné pour répondre à vos besoins.

Merci ?

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!