Klasyfikacja dokumentów jest pozornie rozwiązana w laboratoriach, ale w praktyce korporacyjnej napotyka ogromne problemy. Główną przeszkodą nie jest architektura modelu, lecz konieczność dużych projektów labelowania i obawa firm przed automatycznym przetreniowaniem systemów. SIFT atakuje oba problemy jednocześnie, proponując dynamiczny serwis klasyfikacji, który obsługuje większość żądań tanim, CPU-based pipeline'em: rzadkim enkodem SPLADE zasilanym do głowy LightGBM. Tylko małą część przypadków z niską pewnością eskaluje do sędziego LLM, a jego werdykty automatycznie trafiają do corpus'a treningowego.
Architektura tworzy pętlę samoalimentującą się systemem: z każdym eskalowanym przykładem corpus rośnie z rzeczywistych danych produkcyjnych, a tani model uczy się od drogiego, co zmniejsza liczbę eskalacji i poprawia dokładność w miarę użytkowania. Dodawanie nowych typów dokumentów wymaga tylko zdefiniowania przestrzeni etykiet, anchor phrases i glosariusza dla sędziego - bez drogich projektów labelowania. To znacznie przyspiesza wdrażanie w firmach.
Najpoważniejszym wyzwaniem dla systemu jest bezpieczeństwo - autonomicznie przetreniowujący się klasyfikator może w ciszy pogorszyć swoje wyniki. SIFT rozwiązuje to tzw. frozen-gate mechanism - dwuczęściowy system promocji modelu do produkcji. Przed wdrożeniem nowa wersja musi przejść sprawdzenie regresji F1 dla krytycznych klas oraz test na zamorożonym zbiorze, na którym model nigdy nie trenuje się. Jeśli którekolwiek sprawdzenie nie przejdzie, promocja jest blokowana. To zmienia automatyczne przeszkolenie co miesiąc z niebezpiecznego eksperymentu w rutynową, bezpieczną procedurę.