AWS 案例：微调 Amazon Nova 提升电商邮件信息提取效率

AWS 近日与全球电商物流 AI 平台 Parcel Perform 合作，借助 Amazon SageMaker AI 微调 Amazon Nova 模型，实现了从海量电商邮件中自动提取结构化信息。该方案在测试集上达到 94.77% 的提取准确率，相较基线提升最多 16.6 个百分点，同时将推理延迟降低超过 30%，并将成本缩减一半。

项目背景

Parcel Perform 每天需处理数百万封邮件，邮件格式从简单通知到包含大量 JavaScript 元素的复杂 HTML 文档不等。在信息提取过程中，模型容易出现「幻觉」输出、混淆相似字段（如订单号与物流单号），且处理 HTML 格式邮件的 token 成本居高不下。AWS Generative AI Innovation Center（GenAIIC）与 Parcel Perform 团队合作，针对这些问题对 Nova 模型进行定制化与参数优化。

技术方案

方案采用 Amazon SageMaker AI 的自定义模型微调能力，基于 Amazon Nova Lite 与 Nova Micro 进行有监督微调（SFT），并通过低秩适配（LoRA）实现参数高效微调（PEFT）。该组合允许在有限训练数据下完成模型定制，同时保持计算效率。

微调完成后，可将模型部署到 Amazon Bedrock，按 token 计价进行按需推理。Nova 自带的训练「配方」（recipes）为 YAML 配置文件，定义了基础模型名称、训练超参数与优化设置等。

数据准备与实验结果

实验准备了两组训练数据：较小的样本集含 1,300 条，较大的含 4,900 条，用于评估训练数据规模对模型性能的影响。训练数据需遵循 Amazon Bedrock 对话格式，以邮件内容作为用户输入、提取的结构化实体作为助手输出，并以 JSONL 格式存储。

Parcel Perform AI 团队负责人 Le Vy 表示，微调后的 Nova Micro 在测试集上达到 94.77% 的提取准确率，推理延迟较此前方案降低 30% 以上，成本减半，且性能可媲美或超过微调后的 Nova Lite，同时成本更低。该方案已投入生产，用于改善其电商物流运营。

部署流程概览

整体工作流包括五个步骤：

• 准备符合 Amazon Bedrock 对话格式的训练数据；
• 将数据上传到 Amazon S3；
• 在 SageMaker AI 中创建 LoRA 配置的微调任务；
• 部署到 Amazon Bedrock 进行按需推理；
• 对新邮件进行实体提取推理。

此外，使用前还需准备 AWS 账户、相应的 Bedrock 与 Nova 模型访问权限、IAM 服务角色、S3 桶以及充足的 SageMaker AI Training 服务配额。