AWS, 세이지메이커 서버리스 모델 커스터마이징으로 구축한 AI 상품 태깅 시스템 공개
AWS published a walkthrough showing how it customized Qwen3-8B using SageMaker serverless model customization to tag retail product catalogs.
한 줄 답
AWS는 SageMaker의 서버리스 모델 커스터마이징 기능을 통해 제품 태깅 작업을 지원한다고 발표했다.
AWS published a technical walkthrough describing how to build a product tagging system by customizing the Qwen3-8B open-weight model with SageMaker serverless model customization, using supervised fine-tuning and reinforcement learning with verifiable rewards, then deploying the result to SageMaker Asynchronous Inference for catalog enrichment.
핵심 요약
- AWS published a walkthrough for building an AI-powered product tagging system using Amazon SageMaker serverless model customization.
- 이 실습 가이드는 오픈 웨이트 모델인 Qwen3-8B를 커스터마이징하는 과정을 다룬다. 먼저 감독 미세조정(SFT)을 거친 뒤, 그룹 상대 정책 최적화(GRPO)를 활용한 검증 가능한 보상 기반 강화학습(RLVR)을 적용한다.
- AWS says SageMaker serverless model customization manages the training capacity automatically, and when no compute configuration is supplied, Amazon SageMaker selects and releases that capacity for the customization job.
- 최적화된 모델은 배치 방식의 카탈로그 데이터 보강을 위해 Amazon SageMaker Asynchronous Inference에 별도로 배포된다.
- AWS states the walkthrough differs from an earlier Qwen3-8B example that used Amazon SageMaker Training Jobs with customer-selected GPU instances and custom training images, instead using the Amazon SageMaker Python SDK v3 serverless customization trainers (SFTTrainer and RLVRTrainer).
AWS는 Linpo Guo, Ray Wang, Josh Chiu, Kanwaljit Khurmi 등 AWS 저자들이 작성한 블로그 게시물을 통해, Amazon SageMaker의 서버리스 모델 커스터마이징을 활용해 AI 기반 상품 태깅 시스템을 구축하는 방법을 소개하는 기술 안내문을 공개했다.
AWS가 지적하는 문제
AWS에 따르면 소매업체의 상품 카탈로그는 처음부터 깔끔하게 정리된 속성 형태로 들어오는 경우가 드물다. 상품명, 설명, 카테고리 경로는 다양한 출처에서 유입되며 끊임없이 변화하는데, 검색과 추천, 카탈로그 탐색 기능은 일관된 태그 체계에 의존한다. 그러나 수천 개에 달하는 재고관리단위(SKU)에 일일이 태그를 수작업으로 부여하는 작업은 속도가 느릴 뿐 아니라 일관성을 유지하기도 어렵다고 AWS는 설명한다.
AWS는 범용 프런티어 모델도 프롬프트 엔지니어링을 통해 태그를 생성할 수는 있다고 말한다. 다만 태깅 작업의 목표가 고정된 스키마 안에서 올바른 속성을 반환하는 것처럼 좁고 안정적일 경우, 규모가 작은 오픈 웨이트 모델을 커스터마이징하는 편이 더 적합할 수 있다고 주장한다. AWS는 이런 방식을 택하면 팀이 모델에게 스키마를 직접 학습시키고, 태그 누락과 불필요한 태그 사이의 균형을 최적화하며, 매 요청마다 필요하지도 않은 광범위한 범용 모델 성능에 비용을 치르는 상황을 피할 수 있다고 설명한다.
AWS가 구축한 것
이번 안내문에서 AWS는 오픈 웨이트 모델인 Qwen3-8B를 두 단계로 커스터마이징했다고 밝혔다. 먼저 지도 미세조정(SFT, supervised fine-tuning)을 거친 뒤, 그룹 상대 정책 최적화(GRPO, Group Relative Policy Optimization) 기법을 활용한 검증 가능한 보상 기반 강화학습(RLVR, reinforcement learning with verifiable rewards)을 적용하는 방식이다.
AWS는 이 과정에서 필요한 학습 용량을 Amazon SageMaker의 서버리스 모델 커스터마이징이 관리한다고 설명한다. 별도의 컴퓨팅 구성을 지정하지 않으면 Amazon SageMaker가 커스터마이징 작업에 맞는 학습 용량을 자체적으로 선택하고 이후 반환한다고 회사 측은 밝혔다. 이렇게 최적화된 모델은 이후 별도로 Amazon SageMaker 비동기 추론(Asynchronous Inference)에 배포되어 배치 방식의 카탈로그 보강 작업에 활용된다고 AWS는 덧붙였다.
AWS는 이 방식을 자사의 amazon-sagemaker-examples 저장소에 있던 기존 Qwen3-8B 예제와 구분한다. 기존 예제는 고객이 직접 선택한 GPU 인스턴스와 맞춤형 학습 이미지를 사용하는 Amazon SageMaker 학습 작업(SMTJ, SageMaker Training Jobs) 방식을 썼다고 회사는 설명한다. 반면 이번 새 안내문은 Amazon SageMaker Python SDK v3의 서버리스 커스터마이징 트레이너, 즉 AWS가 SFTTrainer와 RLVRTrainer로 명명한 도구를 사용한다.
AWS가 제시하는 사전 요구사항
AWS는 이 안내문을 따라 하기 전에 필요한 여러 리소스와 권한을 다음과 같이 정리했다.
- 서버리스 커스터마이징 작업, AI Registry 데이터셋 및 평가자, 모델 패키지 그룹, 모델, 엔드포인트, 비동기 추론을 관리하기 위한 Amazon SageMaker AI 권한과, 필요한 경우의 iam:PassRole
- 원본 카탈로그, 변환된 학습 데이터, 모델 아티팩트, 비동기 추론 요청 및 결과물을 읽고 쓰기 위한 Amazon S3 접근 권한
- 맞춤형 vLLM 추론 이미지를 빌드하고 호스팅하는 경우에만 필요한 Amazon ECR 접근 권한 — AWS는 서버리스 SFT와 RLVR 자체에는 맞춤형 학습 이미지가 필요하지 않다고 명시했다
- 선택한 AWS 리전과 모델·기법 조합이 Qwen3-8B의 SFT 및 RLVR를 지원하는지에 대한 확인
- ml.g6.2xlarge 인스턴스와 비동기 엔드포인트에 사용되는 엔드포인트 수를 감당할 수 있는 충분한 호스팅 할당량
데이터와 관련해서는, 공개된 Amazon Sales Dataset을 사용하거나 동일한 프롬프트·타깃 구조로 변환한 자체 카탈로그를 대안으로 사용할 수 있다고 AWS는 설명한다.
출처: AWS Machine Learning Blog, "Build an AI-powered product tagging system with Amazon SageMaker serverless model customization," 2026년 9월 15일 게재.
자주 묻는 질문
- 이 안내에서 AWS는 어떤 모델을 사용하나요?
- AWS customizes Qwen3-8B, an open-weight model, using supervised fine-tuning followed by reinforcement learning with verifiable rewards via Group Relative Policy Optimization.
- 훈련 용량은 어떤 AWS 서비스가 관리하나요?
- AWS says Amazon SageMaker serverless model customization manages the training capacity, and when no compute configuration is supplied, SageMaker selects and releases that capacity for the job.
- 완성된 모델은 어떻게 배포되나요?
- AWS states the optimized model is deployed to Amazon SageMaker Asynchronous Inference for batch-oriented catalog enrichment.
- 이 안내서는 어떤 데이터를 사용하나요?
- AWS says the walkthrough uses the public Amazon Sales Dataset, or a private catalog transformed into the same prompt/target structure.