Erstellen Sie ein KI-gestütztes Produkt-Tagsystem mit der serverlosen Modellanpassung von Amazon SageMaker
aws ·
Dieser Artikel beschreibt eine Methode zum Aufbau eines KI-gestützten Produkttagsystems unter Verwendung der serverlosen Modellanpassung von Amazon SageMaker. Er behandelt die Herausforderung des manuellen Taggens von Einzelhandelskatalogen, indem das Open-Weight-Modell Qwen3-8B angepasst wird, anstatt sich auf allgemeine Frontier-Modelle zu verlassen. Der Workflow beginnt mit der Datenvorbereitung, bei der Informationen aus dem Quelldatenkatalog in überwachtes Feintuning (SFT)-Datasets umgewandelt werden. Anschließend durchläuft das Modell ein SFT, um das spezifische Tagschema zu erlernen, gefolgt von einem Reinforcement Learning mit verifizierbaren Belohnungen (RLVR) unter Verwendung der Group Relative Policy Optimization (GRPO). Diese Optimierungsphase nutzt eine deterministische Belohnungsfunktion, um Recall und Präzizität ins Gleichgewicht zu bringen und eine konsistente Attributgenerierung sicherzustellen. Schließlich wird das optimierte Modell über Amazon SageMaker Asynchronous Inference auf bereitgestellten Instanzen für die batchorienterte Anreicherung von Katalogen bereitgestellt. Der Ansatz nutzt serverlose Trainingskapazitäten, um Rechenressourcen effizient zu verwalten und gleichzeitig hochwertige Ergebnisse zu gewährleisten.
aws