AWS เผยรายละเอียดระบบติดแท็กสินค้าด้วย AI ที่พัฒนาด้วย SageMaker Serverless Model Customization
AWS เผยแพร่คู่มือสาธิตวิธีปรับแต่งโมเดล Qwen3-8B ด้วย SageMaker serverless model customization เพื่อใช้ติดแท็กแคตตาล็อกสินค้าในธุรกิจค้าปลีก
คำตอบโดยย่อ
AWS ประกาศอะไรเกี่ยวกับ SageMaker serverless model customization สำหรับการติดแท็กสินค้า?
AWS เผยแพร่คู่มือเชิงเทคนิคที่อธิบายวิธีสร้างระบบติดแท็กสินค้าด้วยการปรับแต่งโมเดลโอเพนเวตน้ำหนัก Qwen3-8B ผ่าน SageMaker serverless model customization โดยใช้การฝึกแบบมีผู้สอน (supervised fine-tuning) ร่วมกับการเรียนรู้แบบเสริมแรงด้วยรางวัลที่ตรวจสอบได้ (reinforcement learning with verifiable rewards) ก่อนนำโมเดลที่ได้ไปใช้งานบน SageMaker Asynchronous Inference เพื่อเสริมข้อมูลในแคตตาล็อก
ประเด็นสำคัญ
- AWS เผยแพร่คู่มือสำหรับสร้างระบบติดแท็กสินค้าด้วย AI โดยใช้ Amazon SageMaker serverless model customization
- คู่มือนี้ปรับแต่งโมเดลโอเพนเวตน้ำหนัก Qwen3-8B โดยขั้นแรกใช้การฝึกแบบมีผู้สอน (SFT) จากนั้นใช้การเรียนรู้แบบเสริมแรงด้วยรางวัลที่ตรวจสอบได้ (RLVR) ผ่าน Group Relative Policy Optimization (GRPO)
- AWS ระบุว่า SageMaker serverless model customization จัดการทรัพยากรการฝึกให้โดยอัตโนมัติ และเมื่อไม่มีการกำหนดค่าทรัพยากรประมวลผล Amazon SageMaker จะเลือกและปล่อยทรัพยากรนั้นให้กับงานปรับแต่งเอง
- โมเดลที่ปรับแต่งเสร็จแล้วจะถูกนำไปใช้งานแยกต่างหากบน Amazon SageMaker Asynchronous Inference สำหรับการเสริมข้อมูลแคตตาล็อกแบบกลุ่ม
- AWS ระบุว่าคู่มือนี้แตกต่างจากตัวอย่าง Qwen3-8B ก่อนหน้านี้ที่ใช้ Amazon SageMaker Training Jobs ร่วมกับอินสแตนซ์ GPU ที่ลูกค้าเลือกเองและอิมเมจการฝึกแบบกำหนดเอง โดยหันมาใช้ตัวฝึกแบบ serverless customization ของ Amazon SageMaker Python SDK v3 (SFTTrainer และ RLVRTrainer) แทน
AWS เผยแพร่คู่มือเชิงเทคนิคที่อธิบายวิธีสร้างระบบติดแท็กสินค้าด้วย AI โดยใช้ Amazon SageMaker serverless model customization ตามบทความในบล็อกของทีมผู้เขียนจาก AWS ได้แก่ Linpo Guo, Ray Wang, Josh Chiu และ Kanwaljit Khurmi
ปัญหาที่ AWS ชี้ให้เห็น
AWS ระบุว่าแคตตาล็อกสินค้าค้าปลีกมักไม่มาพร้อมข้อมูลคุณลักษณะที่สะอาดและเป็นระบบตั้งแต่ต้น ชื่อสินค้า คำอธิบาย และหมวดหมู่สินค้ามักมาจากหลายแหล่งและเปลี่ยนแปลงอยู่ตลอดเวลา บริษัทระบุว่า แม้ระบบค้นหา การแนะนำสินค้า และการนำทางในแคตตาล็อกต้องพึ่งพาแท็กที่สม่ำเสมอ แต่การติดแท็กด้วยมือให้กับหน่วยสินค้า (SKU) นับพันรายการนั้นทำได้ช้าและยากที่จะรักษาความสม่ำเสมอ
AWS ระบุว่าโมเดลขนาดใหญ่เอนกประสงค์สามารถสร้างแท็กได้ผ่านการออกแบบพรอมป์ แต่บริษัทมองว่าเมื่อขั้นตอนการติดแท็กมีเป้าหมายที่แคบและคงที่กว่า คือการคืนค่าคุณลักษณะที่ถูกต้องตามรูปแบบที่กำหนดไว้ การปรับแต่งโมเดลโอเพนเวตน้ำหนักขนาดเล็กลงอาจเหมาะสมกว่า ตามข้อมูลของ AWS วิธีนี้ช่วยให้ทีมงานสอนรูปแบบข้อมูลให้โมเดลได้โดยตรง ปรับสมดุลระหว่างการพลาดแท็กกับการใส่แท็กที่ไม่จำเป็น และหลีกเลี่ยงการจ่ายค่าใช้งานสำหรับความสามารถของโมเดลขนาดใหญ่ที่ไม่จำเป็นต่อทุกคำขอ
สิ่งที่ AWS สร้างขึ้น
ในคู่มือนี้ AWS ระบุว่าได้ปรับแต่งโมเดลโอเพนเวตน้ำหนัก Qwen3-8B เป็นสองขั้นตอน โดยขั้นแรกใช้การฝึกแบบมีผู้สอน (SFT) จากนั้นใช้การเรียนรู้แบบเสริมแรงด้วยรางวัลที่ตรวจสอบได้ (RLVR) ผ่านแนวทางที่เรียกว่า Group Relative Policy Optimization (GRPO)
AWS ระบุว่า Amazon SageMaker serverless model customization เป็นผู้จัดการทรัพยากรการประมวลผลสำหรับการฝึกในกระบวนการนี้ บริษัทกล่าวว่าเมื่อไม่มีการกำหนดค่าทรัพยากรประมวลผลไว้ Amazon SageMaker จะเลือกและปล่อยทรัพยากรการฝึกให้กับงานปรับแต่งนั้นเอง จากนั้น AWS ระบุว่าโมเดลที่ปรับแต่งเสร็จแล้วจะถูกนำไปใช้งานแยกต่างหากบน Amazon SageMaker Asynchronous Inference สำหรับการเสริมข้อมูลแคตตาล็อกแบบกลุ่ม
AWS ชี้ให้เห็นความแตกต่างระหว่างแนวทางนี้กับตัวอย่าง Qwen3-8B ก่อนหน้านี้ใน repository amazon-sagemaker-examples ของบริษัท ซึ่งใช้ Amazon SageMaker Training Jobs (SMTJ) ร่วมกับอินสแตนซ์ GPU ที่ลูกค้าเลือกเองและอิมเมจการฝึกแบบกำหนดเอง ในขณะที่คู่มือใหม่นี้ใช้ตัวฝึกแบบ serverless customization ของ Amazon SageMaker Python SDK v3 ซึ่ง AWS ระบุชื่อว่า SFTTrainer และ RLVRTrainer
สิ่งที่ต้องเตรียมตามที่ AWS ระบุ
AWS ระบุรายการทรัพยากรและสิทธิ์การเข้าถึงที่จำเป็นก่อนทำตามคู่มือนี้ ได้แก่
- สิทธิ์การเข้าถึง Amazon SageMaker AI สำหรับจัดการงาน serverless customization ชุดข้อมูลและตัวประเมินผลใน AI Registry กลุ่มแพ็กเกจโมเดล โมเดล เอนด์พอยต์ และการอนุมานแบบอะซิงโครนัส รวมถึง iam:PassRole ในกรณีที่จำเป็น
- การเข้าถึง Amazon S3 สำหรับอ่านและเขียนแคตตาล็อกต้นฉบับ ข้อมูลฝึกที่ผ่านการแปลง ชิ้นงานโมเดล และคำขอ/ผลลัพธ์ของการอนุมานแบบอะซิงโครนัส
- การเข้าถึง Amazon ECR ซึ่ง AWS ระบุว่าจำเป็นเฉพาะกรณีที่มีการสร้างและนำอิมเมจการอนุมาน vLLM แบบกำหนดเองไปใช้งาน โดยระบุว่า SFT และ RLVR แบบ serverless ไม่จำเป็นต้องใช้อิมเมจการฝึกแบบกำหนดเอง
- การยืนยันว่าภูมิภาค AWS และชุดโมเดล/เทคนิคที่เลือกสนับสนุน SFT และ RLVR ของ Qwen3-8B
- โควตาการโฮสต์ที่เพียงพอสำหรับอินสแตนซ์ ml.g6.2xlarge และจำนวนเอนด์พอยต์ที่ใช้สำหรับเอนด์พอยต์แบบอะซิงโครนัส
สำหรับข้อมูล AWS ระบุว่าคู่มือนี้ใช้ Amazon Sales Dataset ซึ่งเป็นชุดข้อมูลสาธารณะ หรืออาจใช้แคตตาล็อกส่วนตัวที่ถูกแปลงให้อยู่ในรูปแบบโครงสร้างพรอมป์/เป้าหมายเดียวกันก็ได้
ที่มา: AWS Machine Learning Blog, "Build an AI-powered product tagging system with Amazon SageMaker serverless model customization," เผยแพร่เมื่อวันที่ 15 กันยายน 2026
คำถามที่พบบ่อย
- คู่มือนี้ใช้โมเดลอะไร?
- AWS ปรับแต่งโมเดลโอเพนเวตน้ำหนัก Qwen3-8B โดยใช้การฝึกแบบมีผู้สอนก่อน จากนั้นตามด้วยการเรียนรู้แบบเสริมแรงด้วยรางวัลที่ตรวจสอบได้ผ่าน Group Relative Policy Optimization
- บริการใดของ AWS ที่จัดการทรัพยากรการฝึก?
- AWS ระบุว่า Amazon SageMaker serverless model customization จัดการทรัพยากรการฝึกให้ และเมื่อไม่มีการกำหนดค่าทรัพยากรประมวลผล SageMaker จะเลือกและปล่อยทรัพยากรนั้นให้กับงานเอง
- โมเดลที่เสร็จสมบูรณ์แล้วถูกนำไปใช้งานอย่างไร?
- AWS ระบุว่าโมเดลที่ปรับแต่งเสร็จแล้วถูกนำไปใช้งานบน Amazon SageMaker Asynchronous Inference สำหรับการเสริมข้อมูลแคตตาล็อกแบบกลุ่ม
- คู่มือนี้ใช้ข้อมูลชุดใด?
- AWS ระบุว่าคู่มือนี้ใช้ Amazon Sales Dataset ซึ่งเป็นชุดข้อมูลสาธารณะ หรืออาจใช้แคตตาล็อกส่วนตัวที่ถูกแปลงให้อยู่ในรูปแบบโครงสร้างพรอมป์/เป้าหมายเดียวกัน