AWS助力uniopen定制Amazon Nova 2 Lite，实现零售内容审核智能化

摘要：台湾Uni-President Enterprises Group旗下的uniopen平台通过与AWS合作，利用Amazon SageMaker AI和Amazon Nova 2 Lite实现了零售内容审核的智能化转型。通过监督微调（supervised fine-tuning）和提示优化（prompt optimization），uniopen成功将Amazon Nova 2 Lite适配到其特定业务需求中，大幅提升了内容审核的准确性和效率。这一案例展示了AI技术在零售行业的应用潜力，并为其他企业提供了可借鉴的AI部署模式。

---

背景与挑战

uniopen是台湾Uni-President Enterprises Group推出的数字通信和会员平台，连接用户与电子商务、会员福利及其他零售体验。为了实现跨网页、平板和移动设备的一致内容审核，uniopen需要一种能够处理其特定业务需求的AI解决方案。其审核政策基于两个维度：行为类型（九种分类）和行为主体（品牌、其他或禁止），这对通用AI模型来说是一个复杂的适配挑战。

解决方案

AWS为uniopen提供了一套基于Amazon SageMaker AI的定制化解决方案，主要包括以下步骤：

1. 监督微调（Supervised Fine-Tuning）：利用Amazon SageMaker AI对Amazon Nova 2 Lite进行监督微调，使其能够学习uniopen的特定审核政策。

   • 技术亮点：通过低秩适应（LoRA）技术，模型在处理任务特定样本时表现更佳，避免了仅依赖提示指令的限制。
   • 性能提升：Per Behavior Macro F1从0.5852提升至0.8364，Subject Type Macro F1从0.4162提升至0.8302。

2. 提示优化（Prompt Optimization）：在微调后，对模型输出进行提示级别的优化，将输出格式从JSON简化为基于行的格式，并明确多行为的返回方式。

   • 无需额外训练：这一优化无需再次训练模型，进一步提升了性能。
   • 最终性能：Per Behavior Macro F1提升至0.8550，Subject Type Macro F1提升至0.8491，均超过了生产目标。

3. 架构分离与自动化工作流：

   • 生产路径与修正路径分离：Amazon Nova 2 Lite处理主要审核请求，而Amazon Nova 2 Pro支持错误修正生成，但需人工审核后才能进入训练集。
   • AWS组件集成：Amazon S3存储验证后的修正集和训练数据，Amazon DynamoDB跟踪模型配置，Argo Workflows在Amazon EKS上编排提示优化、评估和部署流程，Amazon SNS和Amazon CloudWatch提供通知和监控。

4. 负责任的AI控制：

   • 人工审核：对于模糊案例和作为训练数据的修正，人工审核仍然是强制性的。
   • 质量控制：通过固定测试集和回归检查防止质量下降，并应用Amazon Bedrock Guardrails内容过滤器来监控输入和输出。

成果与影响

通过上述方案，uniopen实现了内容审核的智能化转型，显著提升了审核的准确性和效率。Per Behavior Macro F1和Subject Type Macro F1均超过了生产目标，使得uniopen能够将常规审核任务交给AI处理，而将人工审核集中在复杂或政策敏感的内容上。这一模式不仅提高了运营效率，还降低了人工成本，为零售行业的AI应用提供了宝贵经验。

未来展望

uniopen团队计划继续使用Per Behavior Macro F1和Subject Type Macro F1作为生产门控指标，并根据实时流量收集新的边界案例，以决定下一步的改进方向是提示优化还是进一步的微调周期。这一方法可以扩展到其他零售审核场景，同时保持人工审核对模糊案例的关注。

开发者建议

• 利用AWS工具链：开发者可以利用Amazon SageMaker AI和Amazon Nova 2 Lite等AWS工具，快速构建和部署定制化的AI解决方案。
• 重视数据质量：高质量的监督数据和明确的审核标准是AI模型成功的关键。
• 持续优化：通过持续收集反馈和优化模型，开发者可以不断提升AI系统的性能和可靠性。

---

消息来源：AWS Machine Learning Blog (2026-10-01)

—— 完 ——

主题标签： #AWS #Amazon Nova 2 Lite #内容审核 #监督微调 #提示优化