AWS : le fine-tuning des modèles Amazon Nova porte à 94,77% la précision d'extraction de données dans les e-mails

L'AWS Machine Learning Blog a publié un cas d'usage consacré au fine-tuning des modèles Amazon Nova avec le service Amazon SageMaker AI. L'objectif : extraire des données de la messagerie d'entreprise. La précision atteint 94,77%, et les coûts de traitement baissent de 50%.

Qu'est-ce qu'Amazon Nova

Amazon Nova est une famille de modèles de fondation multimodaux développée par AWS et présentée lors de 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 de vidéos, Canvas et Reel. Tous sont accessibles via le service Amazon Bedrock. AWS les présente comme une alternative moins chère et plus rapide aux modèles des fournisseurs tiers, avec une qualité comparable sur les tâches d'entreprise courantes : classification de texte, résumé ou extraction de données.

Pourquoi un modèle prêt à l'emploi se trompe dans les e-mails

Sans entraînement complémentaire, un modèle généraliste confond souvent des champs de sens proche dans le courrier entrant : adresse de livraison et adresse de facturation, numéro de commande et numéro de ticket de support. Chaque entreprise formule ses demandes et rédige ses e-mails à sa manière, et un modèle standard ignore ces particularités. Le fine-tuning via Amazon SageMaker AI répond précisément à ce problème. Le modèle s'entraîne sur de vrais e-mails de l'organisation concernée et mémorise ses propres schémas de données : formats de numéros, emplacement des champs, terminologie propre au secteur.

• La précision d'extraction des données dans les e-mails a atteint 94,77%
• Les coûts de traitement par e-mail ont baissé de 50%
• Le fine-tuning a été réalisé via le service Amazon SageMaker AI
• Le modèle a appris à distinguer des champs de structure similaire et à reconnaître les schémas propres à une entreprise

À qui profite une précision supérieure à 94% ?

L'extraction de données dans le courrier entrant est une tâche routinière pour les services clients, les entreprises de logistique, les assureurs et les services financiers, qui trient chaque jour à la main commandes, factures, demandes et réclamations. Avec une précision de l'ordre de 95%, la majorité de ces e-mails peut être confiée au modèle en mode entièrement automatisé, les humains ne traitant plus que les cas complexes ou litigieux. Et un coût de traitement divisé par deux rend l'automatisation rentable même pour de gros volumes de correspondance entrante. Une approche similaire s'applique non seulement aux e-mails, mais aussi à tout document semi-structuré : bons de livraison, questionnaires, formulaires de retour.

Comment fonctionne le fine-tuning dans SageMaker AI

Amazon SageMaker AI est un service managé d'AWS qui couvre tout le cycle de vie des modèles de machine learning, de la préparation des données et du lancement de l'entraînement jusqu'au déploiement et au monitoring en production. Pour affiner un modèle de langage comme Nova, l'entreprise doit constituer un jeu d'exemples annotés, c'est-à-dire de vrais e-mails dont les champs ont déjà été renseignés à la main. Elle le transmet ensuite à SageMaker AI, qui lance l'ajustement des poids du modèle pour cette tâche précise.

Contrairement à un entraînement à partir de zéro, le fine-tuning exige incomparablement moins de données et de ressources de calcul : le modèle comprend déjà la langue, il suffit de l'adapter aux spécificités d'une seule tâche ciblée.

Ce que cela signifie

Le cas d'usage d'AWS montre l'intérêt concret du fine-tuning pour des tâches d'entreprise ciblées. Relativement petit à l'échelle du secteur, le modèle Nova, une fois affiné sur les données propres de l'entreprise, peut rivaliser en précision avec des modèles généralistes plus coûteux, tout en revenant nettement moins cher à l'exploitation. Pour les entreprises, cela signifie que les économies sur l'automatisation des tâches routinières ne passent pas seulement par l'achat d'un modèle plus puissant, mais aussi par le fine-tuning d'un modèle déjà disponible sur leurs propres données.

Le cas d'usage d'AWS montre l'intérêt concret du fine-tuning pour des tâches d'entreprise ciblées. Relativement petit à l'échelle du secteur, le modèle Nova, une fois affiné sur les données propres de l'entreprise, peut rivaliser en précision avec des modèles généralistes plus coûteux, tout en revenant nettement moins cher à l'exploitation. Pour les entreprises, cela signifie que les économies sur l'automatisation des tâches routinières ne passent pas seulement par l'achat d'un modèle plus puissant, mais aussi par le fine-tuning d'un modèle déjà disponible sur leurs propres données.