Costruire un sistema di tag prodotti potenziato dall'IA con la personalizzazione del modello serverless di Amazon SageMaker
aws ·
Questo articolo descrive un metodo per creare un sistema di etichettatura dei prodotti basato sull'intelligenza artificiale utilizzando la personalizzazione del modello serverless di Amazon SageMaker. Affronta la sfida dell'etichettatura manuale dei cataloghi retail personalizzando il modello open-weight Qwen3-8B invece di affidarsi a modelli frontiera di uso generale. Il flusso di lavoro inizia con la preparazione dei dati, in cui le informazioni del catalogo sorgente vengono trasformate in dataset per il fine-tuning supervisionato (SFT). Successivamente, il modello viene sottoposto a SFT per apprendere lo schema di etichettatura specifico, seguito dal reinforcement learning con ricompense verificabili (RLVR) mediante Group Relative Policy Optimization (GRPO). Questa fase di ottimizzazione impiega una funzione di ricompensa deterministica per bilanciare recall e precisione, garantendo una generazione coerente degli attributi. Infine, il modello ottimizzato viene distribuito tramite Amazon SageMaker Asynchronous Inference su istanze provisioned per l'arricchimento batch dei cataloghi. L'approccio sfrutta la capacità di addestramento serverless per gestire in modo efficiente le risorse di calcolo mantenendo al contempo output di alta qualità.
aws