AWS: O Ajuste Fino de Modelos Amazon Nova Aumentou a Precisão de Extração de Dados de Email para 94,77%

O AWS Machine Learning Blog publicou um estudo de caso sobre o ajuste fino de modelos Amazon Nova usando Amazon SageMaker AI para extrair dados de emails corporativos: a precisão aumentou para 94,77% e os custos de processamento diminuíram em 50%.

O que é Amazon Nova

Amazon Nova é uma família de modelos multimodais fundamentais da AWS, apresentada na conferência re:Invent no final de 2024. A linha inclui modelos de texto de vários tamanhos — Micro, Lite, Pro e Premier — bem como modelos para geração de imagens e vídeos chamados Canvas e Reel. Todos os modelos estão disponíveis através do serviço Amazon Bedrock e são posicionados pela AWS como uma alternativa mais barata e rápida aos modelos de fornecedores terceirizados, mantendo qualidade comparável em tarefas corporativas típicas como classificação de texto, sumarização e extração de dados.

Por que modelos prontos cometem erros com emails

Sem treinamento adicional, um modelo de uso geral frequentemente confunde campos semelhantes em emails recebidos — por exemplo, endereço de entrega e endereço de cobrança, número de pedido e número de ticket de suporte. Cada empresa formula solicitações e formata emails de maneira diferente, e um modelo padrão não conhece essas particularidades. O ajuste fino através de Amazon SageMaker AI resolve exatamente este problema: o modelo aprende com exemplos reais de emails de uma organização específica e memoriza seus próprios templates de dados — formatos de números, posicionamento de campos, terminologia específica da indústria.

• A precisão de extração de dados de emails atingiu 94,77%
• Os custos de processamento por email diminuíram em 50%
• O ajuste fino foi realizado através do serviço Amazon SageMaker AI
• O modelo foi treinado para distinguir entre campos estruturalmente similares e reconhecer padrões específicos da empresa

Quem se beneficiará de uma precisão superior a 94%

Extrair dados de emails recebidos é uma tarefa rotineira para departamentos de suporte, empresas de logística, divisões de seguros e finanças que processam manualmente pedidos, faturas, solicitações e reclamações diariamente. Com precisão em torno de 95%, a maioria desses emails pode ser passada ao modelo completamente de forma automática, deixando aos humanos apenas casos complexos ou disputados, e o custo de processamento reduzido pela metade justifica a automação mesmo com grandes volumes de correspondência recebida. Uma abordagem semelhante se aplica não apenas a emails, mas a qualquer documento semi-estruturado — notas fiscais, questionários, formulários de feedback.

Como funciona o processo de ajuste fino em SageMaker AI

Amazon SageMaker AI é um serviço gerenciado da AWS para o ciclo de vida completo de modelos de aprendizado de máquina: desde preparação de dados e lançamento do treinamento até implantação e monitoramento em produção. Para fazer o ajuste fino de um modelo de linguagem como Nova, uma empresa precisa reunir um conjunto de exemplos rotulados — emails reais com campos marcados manualmente — e passá-lo para SageMaker AI, que inicia o processo de ajuste fino dos pesos do modelo para essa tarefa específica. Diferentemente do treinamento de um modelo do zero, o ajuste fino requer significativamente menos dados e recursos computacionais porque o modelo já compreende a linguagem — ele precisa apenas ser ajustado para as especificidades de uma tarefa estreita.

O que isto significa

O estudo de caso da AWS demonstra o valor prático do ajuste fino para tarefas corporativas específicas: um modelo Nova, relativamente pequeno pelos padrões da indústria, após ajuste fino com dados próprios da empresa, pode competir em precisão com modelos universais mais caros enquanto é significativamente mais barato de operar. Para os negócios, isso significa que o caminho para economias na automatização de trabalho rotineiro não se encontra apenas na compra de um modelo mais potente, mas no ajuste fino de um já disponível com seus próprios dados.

O estudo de caso da AWS demonstra o valor prático do ajuste fino para tarefas corporativas específicas: um modelo Nova, relativamente pequeno pelos padrões da indústria, após ajuste fino com dados próprios da empresa, pode competir em precisão com modelos universais mais caros enquanto é significativamente mais barato de operar. Para os negócios, isso significa que o caminho para economias na automatização de trabalho rotineiro não se encontra apenas na compra de um modelo mais potente, mas no ajuste fino de um já disponível com seus próprios dados.