대만 유니프레지던트그룹의 리테일 플랫폼 유니오픈이 아마존 세이지메이커 AI에서 지도 미세조정(LoRA)을 통해 아마존 노바2라이트를 자사의 리테일 콘텐츠 모더레이션 정책에 맞게 커스터마이징했다. 행동 9개 범주와 대상(브랜드·기타·금지) 3개 범주를 동시에 평가해야 하는 업무 특성상, 파인튜닝 전 기본모델은 행동분류 F1 0.5852, 대상유형 F1 0.4162에 그쳤으나 파인튜닝 후 각각 0.8364, 0.8302로 크게 향상됐다. 이어 출력 형식을 JSON에서 라인 기반으로 바꾸는 프롬프트 최적화만으로 추가 학습 없이 F1을 0.8550, 0.8491까지 끌어올려 두 지표 모두 프로덕션 목표치(0.85, 0.82)를 넘겼다. 아르고 워크플로우 기반의 사람 검증 피드백 루프와 하드·소프트 게이트를 결합해, 애매한 사례는 인간 검토에 집중시키면서도 반복 가능한 모델 개선 체계를 구축한 사례다.
- •유니오픈, 세이지매이커 AI LoRA 파인퀀냝으로 아마존 뚸거2똈이트를 리테일 모더레이션에 특화
- •Per Behavior Macro F1 0.5852→0.8364, Subject Type Macro F1 0.4162→0.8302로 향상
- •추가 학습 없는 JSON→라인 포랧 프롬트 최적화만으로 F1 0.8550·0.8491까지 추가 상승
- •둘 지표 모두 프로덤션 목표(0.85, 0.82) 초과 달성
- •사람 검증 의교 데이테와 하드/소트 게이트 기반 자동 승격 워크플론로 지속 개선 사이클 거쪽
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
How uniopen customized Amazon Nova to their retail moderation policies for production deployment
- 1.대만 유니프레지던트 계열 uniopen, Amazon Nova 2 Lite를 자사 리테일 모더레이션 정책에 맞춰 파인튜닝
- 2.SageMaker AI LoRA 파인튜닝으로 행동분류 F1 0.5852→0.8364, 주체유형 F1 0.4162→0.8302로 급등
- 3.JSON 출력을 라인 기반으로 바꾸는 프롬프트 최적화로 F1 각각 0.8550·0.8491까지 추가 개선
- 4.휴먼 리뷰 필수 유지한 하드·소프트 게이트로 품질 저하 시 자동 승격을 차단
왜 중요한가?
범용 파운데이션 모델이 기업별 세부 정책을 학습하지 못하는 한계를, 소규모 파인튜닝과 프롬프트 최적화만으로 운영 목표치를 넘기는 실증 사례로 보여줘 비용 효율적인 모델 커스터마이징 접근법을 제시한다.
본문 미리보기
See how uniopen, a retail platform from Taiwan's Uni-President Enterprises Group, adapted Amazon Nova 2 Lite to its content-moderation policies using supervised fine-tuning in Amazon SageMaker AI and prompt optimization. Business-relevant evaluation and release gates kept quality in check.
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:02AI 초안
