AWS : L'Ajustement Fin des Modèles Amazon Nova a Augmenté la Précision de l'Extraction des Données de Courrier Électronique à 94,77%

AWS Machine Learning Blog a publié une étude de cas sur le fine-tuning de modèles Amazon Nova en utilisant Amazon SageMaker AI pour extraire des données des emails d'entreprise : la précision a augmenté à 94,77% et les coûts de traitement ont diminué de 50%.

Qu'est-ce que Amazon Nova

Amazon Nova est une famille de modèles multimodaux fondamentaux d'AWS, présentée à la conférence re:Invent fin 2024. La gamme comprend des modèles de texte de différentes tailles — Micro, Lite, Pro et Premier — ainsi que des modèles de génération d'images et vidéos appelés Canvas et Reel. Tous les modèles sont disponibles via le service Amazon Bedrock et sont positionnés par AWS comme une alternative moins chère et plus rapide aux modèles de fournisseurs tiers tout en maintenant une qualité comparable sur les tâches corporatives typiques telles que la classification de texte, le résumé et l'extraction de données.

Pourquoi les modèles prêts à l'emploi font des erreurs avec les emails

Sans entraînement supplémentaire, un modèle polyvalent confond souvent les champs similaires dans les emails entrants — par exemple, l'adresse de livraison et l'adresse de facturation, le numéro de commande et le numéro de ticket de support. Chaque entreprise formule les demandes et formate les emails différemment, et un modèle standard ne connaît pas ces particularités. Le fine-tuning via Amazon SageMaker AI résout exactement ce problème : le modèle apprend à partir d'exemples réels d'emails d'une organisation spécifique et mémorise ses propres templates de données — formats de nombres, placement des champs, terminologie spécifique à l'industrie.

• La précision de l'extraction de données à partir des emails a atteint 94,77%
• Les coûts de traitement par email ont diminué de 50%
• Le fine-tuning a été effectué via le service Amazon SageMaker AI
• Le modèle a été entraîné pour distinguer les champs structurellement similaires et reconnaître les modèles spécifiques à une entreprise

Qui bénéficiera d'une précision supérieure à 94%

Extraire des données des emails entrants est une tâche routinière pour les départements d'assistance, les entreprises logistiques, les divisions d'assurance et de finances qui traitent manuellement les commandes, les factures, les demandes et les réclamations quotidiennement. Avec une précision d'environ 95%, la plupart de ces emails peuvent être transmis au modèle complètement automatiquement, laissant aux humains uniquement les cas complexes ou litigieux, et le coût de traitement réduit de moitié justifie l'automatisation même avec de grands volumes de correspondance entrante. Une approche similaire s'applique non seulement aux emails mais à tout document semi-structuré — factures, questionnaires, formulaires de commentaires.

Comment fonctionne le processus de fine-tuning dans

SageMaker AI

Amazon SageMaker AI est un service géré d'AWS pour le cycle de vie complet des modèles d'apprentissage automatique : de la préparation des données et du lancement de l'entraînement au déploiement et à la surveillance en production. Pour faire le fine-tuning d'un modèle de langage comme Nova, une entreprise doit rassembler un ensemble d'exemples étiquetés — des emails réels avec des champs marqués manuellement — et les transmettre à SageMaker AI, qui lance le processus d'ajustement fin des poids du modèle pour cette tâche spécifique. Contrairement à l'entraînement d'un modèle à partir de zéro, le fine-tuning nécessite beaucoup moins de données et de ressources informatiques car le modèle comprend déjà le langage — il ne doit être ajusté que pour les spécificités d'une tâche étroite.

Ce que cela signifie

L'étude de cas d'AWS démontre la valeur pratique du fine-tuning pour les tâches corporatives étroites : un modèle Nova, relativement petit selon les normes de l'industrie, après fine-tuning sur les données propres de l'entreprise, peut concourir en précision avec des modèles universels plus coûteux tout en étant nettement moins cher à exploiter. Pour les entreprises, cela signifie que le chemin vers des économies dans l'automatisation du travail routinier ne se trouve pas seulement dans l'achat d'un modèle plus puissant, mais dans le fine-tuning d'un modèle déjà disponible avec ses propres données.

L'étude de cas d'AWS démontre la valeur pratique du fine-tuning pour les tâches corporatives étroites : un modèle Nova, relativement petit selon les normes de l'industrie, après fine-tuning sur les données propres de l'entreprise, peut concourir en précision avec des modèles universels plus coûteux tout en étant nettement moins cher à exploiter. Pour les entreprises, cela signifie que le chemin vers des économies dans l'automatisation du travail routinier ne se trouve pas seulement dans l'achat d'un modèle plus puissant, mais dans le fine-tuning d'un modèle déjà disponible avec ses propres données.