Créer un système d'étiquetage de produits alimenté par l'IA avec la personnalisation de modèle sans serveur Amazon SageMaker
aws ·
Cet article présente une méthode pour créer un système d'étiquetage de produits alimenté par l'IA, utilisant la personnalisation de modèles sans serveur sur Amazon SageMaker. Il répond au défi du marquage manuel des catalogues retail en personnalisant le modèle open-weight Qwen3-8B plutôt qu'en s'appuyant sur des modèles de pointe à usage général. Le flux de travail commence par la préparation des données, où les informations du catalogue source sont transformées en jeux de données pour l'ajustement fin supervisé (SFT). Ensuite, le modèle subit un SFT pour apprendre le schéma d'étiquetage spécifique, suivi d'un apprentissage par renforcement avec récompenses vérifiables (RLVR) utilisant l'optimisation de politique relative par groupe (GRPO). Cette phase d'optimisation emploie une fonction de récompense déterministe pour équilibrer rappel et précision, garantissant ainsi une génération cohérente des attributs. Enfin, le modèle optimisé est déployé via l'inférence asynchrone d'Amazon SageMaker sur des instances provisionnées pour l'enrichissement par lots des catalogues. Cette approche exploite la capacité d'entraînement sans serveur pour gérer efficacement les ressources informatiques tout en maintenant une qualité de sortie élevée.
aws