Comment Uniopen a personnalisé Amazon Nova pour ses politiques de modération retail
aws ·
Uniopen, une plateforme numérique du groupe Uni-President Enterprises Group à Taïwan, a personnalisé Amazon Nova 2 Lite pour répondre à des politiques de modération retail spécifiques impliquant neuf catégories de comportements et trois types de sujets. L'équipe a utilisé un ajustement fin supervisé avec l'adaptation de faible rang (Low-Rank Adaptation) dans Amazon SageMaker AI pour combler l'écart entre les capacités générales du modèle et leur taxonomie métier unique. Cette personnalisation a considérablement amélioré les performances, faisant passer le score F1 macro par comportement de 0,5852 à 0,8364 et le score F1 macro par type de sujet de 0,4162 à 0,8302. Après l'ajustement fin, l'équipe a appliqué une optimisation au niveau des invites pour simplifier les formats de sortie, ce qui a encore augmenté ces deux métriques au-delà de leurs objectifs de production respectifs de 0,8500 et 0,8200. L'architecture de déploiement sépare les demandes de modération principales gérées par Amazon Nova 2 Lite des workflows de correction pris en charge par Amazon Nova 2 Pro. Les réviseurs humains doivent vérifier toutes les corrections candidates avant qu'elles n'intègrent l'ensemble d'entraînement, garantissant que les étiquettes générées ne sont pas traitées comme vérité terrain. Des seuils automatiques stricts et souples au sein d'un pipeline Argo Workflows empêchent la promotion si la qualité diminue ou si des avertissements sont détectés. Cette approche permet d'automatiser la modération courante tout en réservant la révision humaine aux cas ambigus, maintenant ainsi des contrôles responsables de l'IA tout au long du processus.
aws