Comment uniopen a adapté Amazon Nova à ses politiques de modération pour le commerce de détail avant la mise en production
uniopen, la plateforme de communication et d'adhésion lancée par le groupe taïwanais Uni-President Enterprises, a adapté le modèle Amazon Nova 2 Lite à ses règles de modération grâce à un réglage supervisé dans Amazon SageMaker AI, complété par une optimisation finale au niveau des prompts. La plateforme relie ses clients au commerce en ligne, aux avantages de fidélité et à d'autres services de distribution sur le web, la tablette et le mobile. Sa politique de modération classe chaque interaction selon deux axes : le comportement observé, réparti en neuf catégories, et le sujet visé (la marque, un autre sujet ou un sujet interdit). Les deux étiquettes doivent être exactes pour qu'une décision soit exploitable. L'architecture sépare le circuit de modération en production des étapes de correction, d'entraînement, d'évaluation et de déploiement. Nova 2 Lite traite les requêtes courantes, tandis que Nova 2 Pro propose des corrections candidates pour les erreurs signalées. Un relecteur humain doit valider chacune d'elles avant son entrée dans le jeu d'entraînement. Amazon S3 stocke les données, DynamoDB suit les configurations active et candidates, Argo Workflows sur Amazon EKS orchestre optimisation, évaluation et déploiement, et Argo CD applique en production les configurations approuvées. Amazon SNS et CloudWatch alertent les opérateurs en cas d'échec d'un test bloquant.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
L'enjeu est de pouvoir améliorer un modèle sur des règles propres à une entreprise sans jamais traiter des étiquettes générées automatiquement comme une vérité. Un modèle généraliste ne peut pas deviner une taxonomie aussi spécifique que celle d'uniopen, et des erreurs de classification se traduisent directement par des décisions de modération incohérentes pour les clients. Le dispositif repose sur deux types de contrôles avant toute promotion : des « hard gâtés », tests de régression obligatoires dont l'échec stoppe le candidat, et des « soft gâtés », qui peuvent le mettre en attente d'une approbation humaine. Des jeux de test fixes et des vérifications de non-régression empêchent toute mise en production automatique lorsque la qualité baisse. Pour les équipes qui modèrent du contenu de commerce, cette approche offre une boucle d'amélioration reproductible, où les données, l'entraînement, l'état des configurations et les contrôles opérationnels restent dans un même flux gouverné.
Ce projet s'inscrit dans la tendance des entreprises à personnaliser des modèles compacts plutôt qu'à s'en remettre à des modèles généralistes pour des tâches de classification très spécifiques. Les mêmes critères de publication et la même taxonomie garantissent des décisions homogènes sur tous les canaux, même quand les formats d'interaction et les sujets évoluent. Des garde-fous de responsabilité complètent la démarche : relecture humaine obligatoire pour les cas ambigus et pour les corrections réutilisées à l'entraînement, filtres de contenu Amazon Bedrock Guardrails sur les entrées et sorties, suivi des erreurs par catégorie de comportement et de sujet, minimisation des données clients conservées et revalidation des seuils à chaque évolution des règles. La disponibilité des modèles varie selon la région AWS. La suite dépendra de la capacité de l'équipe à enrichir son jeu de corrections vérifiées et à maintenir ses seuils à jour.
Pas d'impact direct sur la France/UE