AWS detalla un sistema de etiquetado de productos con IA construido con la personalización serverless de modelos de SageMaker
AWS publicó una guía que muestra cómo personalizó Qwen3-8B mediante la personalización serverless de modelos de SageMaker para etiquetar catálogos de productos minoristas.
Respuesta rápida
¿Qué anunció AWS sobre su personalización serverless de modelos de SageMaker para el etiquetado de productos?
AWS publicó una guía técnica que describe cómo construir un sistema de etiquetado de productos personalizando el modelo de pesos abiertos Qwen3-8B mediante la personalización serverless de modelos de SageMaker, utilizando ajuste fino supervisado y aprendizaje por refuerzo con recompensas verificables, para luego desplegar el resultado en SageMaker Asynchronous Inference con fines de enriquecimiento de catálogo.
Claves
- AWS publicó una guía para construir un sistema de etiquetado de productos impulsado por IA utilizando la personalización serverless de modelos de Amazon SageMaker.
- La guía personaliza el modelo de pesos abiertos Qwen3-8B, primero con ajuste fino supervisado (SFT) y después con aprendizaje por refuerzo con recompensas verificables (RLVR) mediante Optimización de Política Relativa de Grupo (GRPO).
- AWS afirma que la personalización serverless de modelos de SageMaker gestiona automáticamente la capacidad de entrenamiento y, cuando no se proporciona una configuración de cómputo, Amazon SageMaker selecciona y libera esa capacidad para el trabajo de personalización.
- El modelo optimizado se despliega de forma independiente en Amazon SageMaker Asynchronous Inference para el enriquecimiento de catálogo orientado a procesamiento por lotes.
- AWS señala que la guía difiere de un ejemplo anterior de Qwen3-8B que utilizaba Amazon SageMaker Training Jobs con instancias de GPU seleccionadas por el cliente e imágenes de entrenamiento personalizadas, y que en su lugar emplea los entrenadores de personalización serverless del SDK de Python v3 de Amazon SageMaker (SFTTrainer y RLVRTrainer).
AWS publicó una guía técnica que describe cómo construir un sistema de etiquetado de productos impulsado por IA utilizando la personalización serverless de modelos de Amazon SageMaker, según una entrada de blog de los autores de AWS Linpo Guo, Ray Wang, Josh Chiu y Kanwaljit Khurmi.
El problema que describe AWS
AWS afirma que los catálogos minoristas rara vez llegan con atributos limpios y estructurados. Los nombres de producto, las descripciones y las rutas de categoría provienen de muchas fuentes y cambian de forma continua, señala la compañía, y aunque la búsqueda, las recomendaciones y la navegación del catálogo dependen de etiquetas consistentes, aplicar manualmente esas etiquetas a miles de unidades de referencia (SKU) es lento y difícil de mantener de forma coherente.
AWS afirma que un modelo de frontera de propósito general puede generar etiquetas mediante ingeniería de prompts, pero sostiene que cuando un flujo de trabajo de etiquetado tiene un objetivo más acotado y estable —devolver los atributos correctos dentro de un esquema fijo—, personalizar un modelo de pesos abiertos más pequeño puede ser una opción más adecuada. Según AWS, este enfoque permite a un equipo enseñarle el esquema directamente al modelo, optimizar el equilibrio entre etiquetas faltantes y etiquetas innecesarias, y evitar pagar por capacidades de modelo amplias que el flujo de trabajo no necesita en cada solicitud.
Qué construyó AWS
En la guía, AWS indica que personaliza el modelo de pesos abiertos Qwen3-8B en dos etapas: primero con ajuste fino supervisado (SFT) y después con aprendizaje por refuerzo con recompensas verificables (RLVR) mediante un enfoque denominado Optimización de Política Relativa de Grupo (GRPO).
AWS explica que la personalización serverless de modelos de Amazon SageMaker gestiona la capacidad de entrenamiento para este proceso. Cuando no se proporciona una configuración de cómputo, señala la compañía, Amazon SageMaker selecciona y libera la capacidad de entrenamiento para el propio trabajo de personalización. El modelo optimizado se despliega después, según AWS, de forma independiente en Amazon SageMaker Asynchronous Inference para el enriquecimiento de catálogo orientado a procesamiento por lotes.
AWS distingue este enfoque de un ejemplo anterior de Qwen3-8B en su repositorio amazon-sagemaker-examples, que según la compañía utilizaba Amazon SageMaker Training Jobs (SMTJ) con instancias de GPU seleccionadas por el cliente e imágenes de entrenamiento personalizadas. Esta nueva guía utiliza, en cambio, los entrenadores de personalización serverless del SDK de Python v3 de Amazon SageMaker, que AWS identifica como SFTTrainer y RLVRTrainer.
Requisitos previos que enumera AWS
AWS enumera varios recursos y permisos necesarios antes de seguir la guía:
- Permisos de Amazon SageMaker AI para gestionar trabajos de personalización serverless, conjuntos de datos y evaluadores del AI Registry, grupos de paquetes de modelos, modelos, endpoints e inferencia asíncrona, además de iam:PassRole cuando sea necesario
- Acceso a Amazon S3 para leer y escribir el catálogo de origen, los datos de entrenamiento transformados, los artefactos del modelo y las solicitudes y salidas de la inferencia asíncrona
- Acceso a Amazon ECR, que AWS indica que solo es necesario si se construye y alberga una imagen de inferencia vLLM personalizada, señalando que el SFT y el RLVR serverless no requieren una imagen de entrenamiento personalizada
- Confirmación de que la región de AWS elegida y la combinación de modelo/técnica seleccionada admiten el SFT y el RLVR de Qwen3-8B
- Cuota de alojamiento suficiente para instancias ml.g6.2xlarge y el número de endpoints utilizado para el endpoint asíncrono
En cuanto a los datos, AWS señala que la guía utiliza el conjunto de datos público Amazon Sales Dataset, o bien un catálogo privado transformado a la misma estructura de prompt/objetivo.
Fuente: AWS Machine Learning Blog, "Build an AI-powered product tagging system with Amazon SageMaker serverless model customization", publicado el 15 de septiembre de 2026.
Preguntas frecuentes
- ¿Qué modelo utiliza AWS en esta guía?
- AWS personaliza Qwen3-8B, un modelo de pesos abiertos, mediante ajuste fino supervisado seguido de aprendizaje por refuerzo con recompensas verificables a través de Optimización de Política Relativa de Grupo.
- ¿Qué servicio de AWS gestiona la capacidad de entrenamiento?
- AWS indica que la personalización serverless de modelos de Amazon SageMaker gestiona la capacidad de entrenamiento y, cuando no se proporciona una configuración de cómputo, SageMaker selecciona y libera esa capacidad para el trabajo.
- ¿Cómo se despliega el modelo terminado?
- AWS señala que el modelo optimizado se despliega en Amazon SageMaker Asynchronous Inference para el enriquecimiento de catálogo orientado a procesamiento por lotes.
- ¿Qué datos utiliza la guía?
- AWS indica que la guía utiliza el conjunto de datos público Amazon Sales Dataset, o un catálogo privado transformado a la misma estructura de prompt/objetivo.