AWS stellt KI-System zur Produktkennzeichnung mit serverloser Modellanpassung über SageMaker vor
AWS hat eine Anleitung veröffentlicht, die zeigt, wie das Unternehmen Qwen3-8B mithilfe der serverlosen Modellanpassung von SageMaker angepasst hat, um Produktkataloge im Einzelhandel mit Tags zu versehen.
Kurze Antwort
Was hat AWS zu seiner serverlosen SageMaker-Modellanpassung für die Produktkennzeichnung bekanntgegeben?
AWS hat eine technische Anleitung veröffentlicht, die beschreibt, wie ein System zur Produktkennzeichnung aufgebaut wird, indem das offene Modell Qwen3-8B mit der serverlosen Modellanpassung von SageMaker angepasst wird – unter Einsatz von überwachtem Fine-Tuning und bestärkendem Lernen mit verifizierbaren Belohnungen. Anschließend wird das Ergebnis für die Katalogerweiterung auf SageMaker Asynchronous Inference bereitgestellt.
Das Wichtigste
- AWS hat eine Anleitung zum Aufbau eines KI-gestützten Systems zur Produktkennzeichnung mit der serverlosen Modellanpassung von Amazon SageMaker veröffentlicht.
- Die Anleitung passt das offene Modell Qwen3-8B zunächst mit überwachtem Fine-Tuning (SFT) und anschließend mit bestärkendem Lernen mit verifizierbaren Belohnungen (RLVR) über Group Relative Policy Optimization (GRPO) an.
- AWS erklärt, dass die serverlose Modellanpassung von SageMaker die Trainingskapazität automatisch verwaltet. Wird keine Compute-Konfiguration angegeben, wählt Amazon SageMaker diese Kapazität für den Anpassungsjob selbst aus und gibt sie anschließend frei.
- Das optimierte Modell wird separat auf Amazon SageMaker Asynchronous Inference für die stapelbasierte Katalogerweiterung bereitgestellt.
- AWS stellt klar, dass sich die Anleitung von einem früheren Qwen3-8B-Beispiel unterscheidet, das Amazon SageMaker Training Jobs mit vom Kunden ausgewählten GPU-Instanzen und benutzerdefinierten Trainingsimages verwendete. Stattdessen kommen die serverlosen Anpassungs-Trainer des Amazon SageMaker Python SDK v3 (SFTTrainer und RLVRTrainer) zum Einsatz.
AWS hat eine technische Anleitung veröffentlicht, die beschreibt, wie sich mithilfe der serverlosen Modellanpassung von Amazon SageMaker ein KI-gestütztes System zur Produktkennzeichnung aufbauen lässt. Das geht aus einem Blogbeitrag der AWS-Autoren Linpo Guo, Ray Wang, Josh Chiu und Kanwaljit Khurmi hervor.
Das von AWS beschriebene Problem
Laut AWS liegen Einzelhandelskataloge selten mit saubere, strukturierten Attributen vor. Produktnamen, Beschreibungen und Kategoriepfade stammten aus vielen Quellen und änderten sich fortlaufend, so das Unternehmen. Während Suche, Empfehlungen und Katalognavigation auf einheitliche Tags angewiesen seien, sei die manuelle Vergabe dieser Tags über Tausende von Lagereinheiten (SKUs) langsam und schwer konsistent zu halten.
Ein universelles Spitzenmodell könne Tags zwar per Prompt Engineering erzeugen, so AWS. Das Unternehmen argumentiert jedoch, dass bei einem Kennzeichnungs-Workflow mit einem engeren, stabilen Ziel – der Rückgabe der richtigen Attribute in einem festen Schema – die Anpassung eines kleineren offenen Modells die bessere Wahl sein kann. Dieser Ansatz erlaube es einem Team laut AWS, dem Modell das Schema direkt zu vermitteln, den Trade-off zwischen fehlenden und überflüssigen Tags zu optimieren und Kosten für breite Modellfähigkeiten zu vermeiden, die der Workflow bei jeder Anfrage gar nicht benötigt.
Was AWS entwickelt hat
In der Anleitung passt AWS das offene Modell Qwen3-8B in zwei Stufen an: zunächst mit überwachtem Fine-Tuning (SFT), anschließend mit bestärkendem Lernen mit verifizierbaren Belohnungen (RLVR) über einen Ansatz namens Group Relative Policy Optimization (GRPO).
AWS erklärt, dass die serverlose Modellanpassung von Amazon SageMaker die Trainingskapazität für diesen Prozess verwaltet. Werde keine Compute-Konfiguration angegeben, wähle Amazon SageMaker die Trainingskapazität für den Anpassungsjob selbst aus und gebe sie anschließend wieder frei, so das Unternehmen. Das optimierte Modell werde danach separat auf Amazon SageMaker Asynchronous Inference für die stapelbasierte Katalogerweiterung bereitgestellt, so AWS.
AWS grenzt diesen Ansatz von einem früheren Qwen3-8B-Beispiel im eigenen Repository amazon-sagemaker-examples ab, das nach Angaben des Unternehmens Amazon SageMaker Training Jobs (SMTJ) mit vom Kunden ausgewählten GPU-Instanzen und benutzerdefinierten Trainingsimages verwendete. Die neue Anleitung nutzt stattdessen die serverlosen Anpassungs-Trainer des Amazon SageMaker Python SDK v3, die AWS als SFTTrainer und RLVRTrainer bezeichnet.
Von AWS genannte Voraussetzungen
AWS listet mehrere Ressourcen und Berechtigungen auf, die vor dem Durcharbeiten der Anleitung benötigt werden:
- Amazon SageMaker AI-Berechtigungen zur Verwaltung serverloser Anpassungsjobs, Datensätze und Evaluatoren der AI Registry, Modellpaketgruppen, Modelle, Endpunkte und asynchroner Inferenz, sowie iam:PassRole, soweit erforderlich
- Amazon S3-Zugriff zum Lesen und Schreiben des Quellkatalogs, transformierter Trainingsdaten, Modellartefakte sowie Anfragen und Ausgaben der asynchronen Inferenz
- Amazon ECR-Zugriff, der laut AWS nur erforderlich ist, wenn ein benutzerdefiniertes vLLM-Inferenz-Image erstellt und gehostet wird, wobei serverloses SFT und RLVR kein benutzerdefiniertes Trainingsimage benötigen
- Bestätigung, dass die gewählte AWS-Region und die Kombination aus Modell und Technik Qwen3-8B SFT und RLVR unterstützt
- Ausreichendes Hosting-Kontingent für ml.g6.2xlarge-Instanzen und die für den asynchronen Endpunkt verwendete Anzahl an Endpunkten
Für die Daten nutzt die Anleitung laut AWS den öffentlichen Amazon Sales Dataset, alternativ einen privaten Katalog, der in dieselbe Prompt/Target-Struktur überführt wurde.
Quelle: AWS Machine Learning Blog, „Build an AI-powered product tagging system with Amazon SageMaker serverless model customization“, veröffentlicht am 15. September 2026.
Häufige Fragen
- Welches Modell verwendet AWS in dieser Anleitung?
- AWS passt Qwen3-8B, ein offenes Modell, mit überwachtem Fine-Tuning und anschließendem bestärkendem Lernen mit verifizierbaren Belohnungen über Group Relative Policy Optimization an.
- Welcher AWS-Dienst verwaltet die Trainingskapazität?
- AWS erklärt, dass die serverlose Modellanpassung von Amazon SageMaker die Trainingskapazität verwaltet. Wird keine Compute-Konfiguration angegeben, wählt SageMaker diese Kapazität für den Job selbst aus und gibt sie anschließend frei.
- Wie wird das fertige Modell bereitgestellt?
- AWS erklärt, dass das optimierte Modell auf Amazon SageMaker Asynchronous Inference für die stapelbasierte Katalogerweiterung bereitgestellt wird.
- Welche Daten verwendet die Anleitung?
- AWS nutzt in der Anleitung den öffentlichen Amazon Sales Dataset, alternativ einen privaten Katalog, der in dieselbe Prompt/Target-Struktur überführt wurde.