Wie Uniopen Amazon Nova an seine Retail-Moderationsrichtlinien anpasste
aws ·
Uniopen, eine digitale Plattform der taiwanesischen Uni-President Enterprises Group, hat Amazon Nova 2 Lite an spezifische Moderationsrichtlinien für den Einzelhandel angepasst, die neun Verhaltenskategorien und drei Subjekttypen umfassen. Das Team nutzte überwachtes Feintuning mit Low-Rank Adaptation (LoRA) in Amazon SageMaker AI, um die Lücke zwischen den Fähigkeiten eines allgemeinen Modells und ihrer einzigartigen geschäftlichen Taxonomie zu schließen. Diese Anpassung verbesserte die Leistung erheblich: Der Per-Behavior-Macro-F1-Score stieg von 0,5852 auf 0,8364 und der Subject-Type-Macro-F1 von 0,4162 auf 0,8302. Nach dem Feintuning wandte das Team eine Optimierung auf Prompt-Ebene an, um die Ausgabeformate zu vereinfachen, wodurch beide Metriken ihre jeweiligen Produktionsziele von 0,8500 bzw. 0,8200 überschritten. Die Bereitstellungsarchitektur trennt primäre Moderationsanfragen, die von Amazon Nova 2 Lite bearbeitet werden, von Korrekturworkflows, die von Amazon Nova 2 Pro unterstützt werden. Menschliche Prüfer müssen alle Kandidatenkorrekturen verifizieren, bevor sie in den Trainingsdatensatz aufgenommen werden, was sicherstellt, dass generierte Labels nicht als Ground Truth behandelt werden. Automatisierte harte und weiche Filter innerhalb einer Argo Workflows-Pipeline verhindern die Freigabe, wenn die Qualität nachlässt oder Warnungen erkannt werden. Dieser Ansatz ermöglicht die Automatisierung routinemäßiger Moderationsaufgaben, während die menschliche Prüfung für mehrdeutige Fälle reserviert bleibt und dabei durchgängig verantwortungsvolle KI-Kontrollen gewährleistet sind.
aws