AWS: زاد الضبط الدقيق لنماذج Amazon Nova دقة استخراج بيانات البريد الإلكتروني إلى 94.77٪

نشر مدونة AWS Machine Learning حالة دراسية حول ضبط نماذج Amazon Nova باستخدام Amazon SageMaker AI لاستخراج البيانات من البريد الإلكتروني للشركات: زادت الدقة إلى 94.77% وانخفضت تكاليف المعالجة بنسبة 50%.

ما هو Amazon Nova

Amazon Nova هي عائلة من النماذج الأساسية متعددة الوسائط من AWS، قُدمت في مؤتمر re:Invent في أواخر عام 2024. تتضمن المجموعة نماذج نصية بأحجام مختلفة — Micro و Lite و Pro و Premier — وكذلك نماذج لتوليد الصور والفيديو تسمى Canvas و Reel. جميع النماذج متاحة عبر خدمة Amazon Bedrock وتوضع من قبل AWS كبديل أرخص وأسرع لنماذج البائعين الآخرين مع الحفاظ على جودة قابلة للمقارنة في المهام الشركاتية النموذجية مثل تصنيف النصوص والتلخيص واستخراج البيانات.

لماذا تخطئ النماذج الجاهزة مع رسائل البريد الإلكتروني

بدون تدريب إضافي، يخلط النموذج ذو الاستخدام العام غالباً بين الحقول المتشابهة في رسائل البريد الإلكتروني الواردة — على سبيل المثال، عنوان الشحن وعنوان الفاتورة، رقم الطلب ورقم تذكرة الدعم. تصيغ كل شركة الطلبات وتنسق رسائل البريد الإلكتروني بطرق مختلفة، والنموذج القياسي لا يعرف هذه الخصوصيات. يحل الضبط الدقيق من خلال Amazon SageMaker AI هذه المشكلة بالضبط: يتعلم النموذج من أمثلة حقيقية لرسائل البريد الإلكتروني من منظمة محددة ويحفظ قوالب البيانات الخاصة به — تنسيقات الأرقام وموضع الحقول والمصطلحات الخاصة بالصناعة.

• وصلت دقة استخراج البيانات من رسائل البريد الإلكتروني إلى 94.77%
• انخفضت تكاليف المعالجة لكل بريد إلكتروني بنسبة 50%
• تم الضبط الدقيق من خلال خدمة Amazon SageMaker AI
• تم تدريب النموذج للتمييز بين الحقول المتشابهة هيكلياً والتعرف على الأنماط الخاصة بالشركة

من سيستفيد من دقة تزيد عن 94%

استخراج البيانات من رسائل البريد الإلكتروني الواردة هو مهمة روتينية لأقسام الدعم والشركات اللوجستية وأقسام التأمين والمالية التي تعالج يدوياً الطلبات والفواتير والطلبات والشكاوى يومياً. بدقة حول 95%، يمكن نقل معظم رسائل البريد الإلكتروني هذه إلى النموذج تماماً بشكل آلي، مما يترك للبشر فقط الحالات المعقدة أو المتنازع عليها، وانخفاض تكاليف المعالجة بمقدار النصف يبرر الأتمتة حتى مع أحجام كبيرة من المراسلات الواردة. ينطبق نهج مماثل ليس فقط على البريد الإلكتروني ولكن على أي مستند شبه منظم — الفواتير والاستبيانات نماذج التقييم.

كيف تعمل عملية الضبط الدقيق في SageMaker AI

Amazon SageMaker AI هي خدمة مدارة من AWS لدورة حياة كاملة لنماذج التعلم الآلي: من تحضير البيانات وبدء التدريب إلى النشر والمراقبة في الإنتاج. لضبط نموذج لغة مثل Nova بدقة، تحتاج الشركة إلى جمع مجموعة من الأمثلة المسمى — رسائل بريد إلكتروني حقيقية مع حقول مميزة يدوياً — وتمريرها إلى SageMaker AI، الذي يطلق عملية الضبط الدقيق لأوزان النموذج لهذه المهمة المحددة. بخلاف تدريب نموذج من الصفر، يتطلب الضبط الدقيق بيانات وموارد حوسبية أقل بكثير لأن النموذج يفهم بالفعل اللغة — يحتاج فقط إلى التعديل على تفاصيل مهمة واحدة ضيقة.

ماذا يعني هذا

توضح حالة دراسة AWS القيمة العملية للضبط الدقيق للمهام الشركاتية الضيقة: نموذج Nova، صغير نسبياً حسب معايير الصناعة، بعد الضبط الدقيق على بيانات الشركة الخاصة، يمكن أن ينافس في الدقة نماذج عامة أكثر تكلفة مع كونه أرخص بكثير في الحصول على البيانات. بالنسبة للشركات، هذا يعني أن المسار نحو الادخار في أتمتة العمل الروتيني لا يكمن فقط في شراء نموذج أقوى، بل في الضبط الدقيق لواحد متاح بالفعل على بياناتها الخاصة.

توضح حالة دراسة AWS القيمة العملية للضبط الدقيق للمهام الشركاتية الضيقة: نموذج Nova، صغير نسبياً حسب معايير الصناعة، بعد الضبط الدقيق على بيانات الشركة الخاصة، يمكن أن ينافس في الدقة نماذج عامة أكثر تكلفة مع كونه أرخص بكثير في الحصول على البيانات. بالنسبة للشركات، هذا يعني أن المسار نحو الادخار في أتمتة العمل الروتيني لا يكمن فقط في شراء نموذج أقوى، بل في الضبط الدقيق لواحد متاح بالفعل على بياناتها الخاصة.