AWS: El Ajuste Fino de Modelos Amazon Nova Aumentó la Precisión de Extracción de Datos de Correo Electrónico al 94,77%

AWS Machine Learning Blog publicó un caso de estudio sobre el ajuste fino de modelos Amazon Nova utilizando Amazon SageMaker AI para extraer datos de correo electrónico corporativo: la precisión aumentó a 94,77% y los costos de procesamiento se redujeron en un 50%.

Qué es Amazon Nova

Amazon Nova es una familia de modelos multimodales fundamentales de AWS, presentada en la conferencia re:Invent a finales de 2024. La línea incluye modelos de texto de varios tamaños — Micro, Lite, Pro y Premier — así como modelos para generación de imágenes y video llamados Canvas y Reel. Todos los modelos están disponibles a través del servicio Amazon Bedrock y son posicionados por AWS como una alternativa más económica y rápida a los modelos de proveedores terceros mientras se mantiene una calidad comparable en tareas corporativas típicas como clasificación de texto, resumen y extracción de datos.

Por qué los modelos listos cometen errores con correos electrónicos

Sin entrenamiento adicional, un modelo de propósito general a menudo confunde campos similares en correos electrónicos entrantes — por ejemplo, dirección de envío y dirección de facturación, número de pedido y número de ticket de soporte. Cada empresa formula solicitudes y formatea correos electrónicos de manera diferente, y un modelo estándar no conoce estas particularidades. El ajuste fino a través de Amazon SageMaker AI resuelve este problema exacto: el modelo aprende de ejemplos reales de correos electrónicos de una organización específica y memoriza sus propias plantillas de datos — formatos de números, colocación de campos, terminología específica de la industria.

• La precisión de extracción de datos de correos electrónicos alcanzó 94,77%
• Los costos de procesamiento por correo electrónico se redujeron en un 50%
• El ajuste fino se realizó a través del servicio Amazon SageMaker AI
• El modelo fue entrenado para distinguir entre campos estructuralmente similares y reconocer patrones específicos de una empresa

Quién se beneficiará de una precisión superior al 94%

Extraer datos de correos electrónicos entrantes es una tarea rutinaria para departamentos de soporte, empresas logísticas, divisiones de seguros y finanzas que procesan manualmente pedidos, facturas, solicitudes y reclamos diariamente. Con una precisión alrededor del 95%, la mayoría de estos correos electrónicos pueden pasarse al modelo completamente de forma automática, dejando a los humanos solo casos complejos o disputados, y el costo de procesamiento reducido a la mitad justifica la automatización incluso con grandes volúmenes de correspondencia entrante. Un enfoque similar se aplica no solo al correo electrónico sino a cualquier documento semiestructurado — facturas, cuestionarios, formularios de comentarios.

Cómo funciona el proceso de ajuste fino en SageMaker AI

Amazon SageMaker AI es un servicio administrado de AWS para el ciclo de vida completo de modelos de aprendizaje automático: desde la preparación de datos y lanzamiento del entrenamiento hasta la implementación y supervisión en producción. Para ajustar finamente un modelo de lenguaje como Nova, una empresa necesita reunir un conjunto de ejemplos etiquetados — correos electrónicos reales con campos marcados manualmente — y pasarlo a SageMaker AI, que inicia el proceso de ajuste fino de los pesos del modelo para esta tarea específica. A diferencia del entrenamiento de un modelo desde cero, el ajuste fino requiere significativamente menos datos y recursos informáticos porque el modelo ya entiende el lenguaje — solo necesita ajustarse a las especificidades de una tarea estrecha.

Lo que esto significa

El caso de estudio de AWS demuestra el valor práctico del ajuste fino para tareas corporativas estrechas: un modelo Nova, relativamente pequeño según los estándares de la industria, después del ajuste fino con datos propios de una empresa, puede competir en precisión con modelos universales más costosos mientras es significativamente más económico de operar. Para las empresas, esto significa que el camino hacia ahorros en la automatización del trabajo rutinario no solo se encuentra en la compra de un modelo más potente, sino en el ajuste fino de uno ya disponible con sus propios datos.

El caso de estudio de AWS demuestra el valor práctico del ajuste fino para tareas corporativas estrechas: un modelo Nova, relativamente pequeño según los estándares de la industria, después del ajuste fino con datos propios de una empresa, puede competir en precisión con modelos universales más costosos mientras es significativamente más económico de operar. Para las empresas, esto significa que el camino hacia ahorros en la automatización del trabajo rutinario no solo se encuentra en la compra de un modelo más potente, sino en el ajuste fino de uno ya disponible con sus propios datos.