AWS、SageMakerサーバーレスを活用した商品タグ付けAIシステムの構築手法を公開

要点

• 米Amazon Web Services（AWS）は、機械学習基盤「Amazon SageMaker」のサーバーレスモデルカスタマイズ機能を用いた商品タグ付けシステムの構築手順を解説した。

• 80億パラメータのオープンウェイトモデル「Qwen3-8B」を採用し、教師あり微調整（SFT）と検証可能報酬に基づく強化学習（RLVR）を組み合わせて特定のデータ形式に最適化する手法を提示している。

• 開発者はGPUインスタンスの管理を意識することなく、「Amazon SageMaker Python SDK v3」を通じて学習リソースの自動確保と解放を行える。

• 最適化されたモデルは「SageMaker 非同期推論」にデプロイされ、大量の商品カタログに対する一括タグ付け処理を効率的に実行する。

• 米Amazon Web Services（AWS）は現地時間2026年9月15日、公式ブログ「AWS ML Blog」において、「Amazon SageMaker」のサーバーレスモデルカスタマイズ機能を活用した商品タグ付けAIシステムの構築手法を公開した。オープンソースの言語モデル「Qwen3-8B」をベースに、教師あり微調整と強化学習を組み合わせることで、ECサイト等の商品カタログから高精度かつ一貫した属性情報を抽出する実装手順を紹介している。

カタログ整理の課題と小型モデル採用の背景

ECサイトなどで扱われる商品カタログは、商品名や説明文、カテゴリ階層が多種多様なソースから集約されるため、構造化されたきれいなデータとして届くことは稀だとされる。検索や推薦機能、サイト内の導線を正常に機能させるには統一されたタグ付けが不可欠だが、数千以上のSKU（在庫管理単位：商品を識別する最小単位）に対して人手でタグを付与し続ける作業は時間を要し、基準の一貫性を保つことも困難だった。

こうした課題に対し、最先端の大規模なフロンティアモデルを用いればプロンプトの工夫でタグ付け自体は可能である。しかし、大量のデータを処理する現場では「所定のスキーマ（データ構造）に従い、正しい属性を一貫して返す」という限定的な目的が重視される。分類体系が固定されており、出力結果をプログラムで客観的に採点できる状況であれば、過剰な汎用機能へのコストを支払うことなく、スキーマの直接学習やタグの過不足を最適化できる小型のオープンウェイトモデルをカスタマイズするアプローチが適しているとAWSは説明している。

SFTとRLVR（GRPO）による二段階の最適化

今回紹介された手法では、「Qwen3-8B」に対して二段階のカスタマイズが施されている。

第1段階として、教師あり微調整（SFT：正解データを与えてモデルを調整する学習手法）を実施し、モデルに指定の出力スキーマを直接学習させる。第2段階では、検証可能報酬を用いた強化学習（RLVR：プログラムで検証可能な正誤判定に基づき出力を改善する手法）を適用する。最適化アルゴリズムには「GRPO（Group Relative Policy Optimization）」が採用されており、タグの抜け漏れや不要なタグの追加といったトレードオフを調整しながら、出力精度を高める構成となっている。

サーバーレス学習基盤と非同期推論の連携

学習基盤には、計算リソースの管理を自動化する「Amazon SageMaker サーバーレスモデルカスタマイズ」が使用されている。過去に公開されていた学習ジョブ（Amazon SageMaker Training Jobs）のサンプルでは、ユーザーがGPUインスタンスの種類を選定し、専用のカスタム学習コンテナを用意する必要があった。

今回の構成では「Amazon SageMaker Python SDK v3」のサーバーレス専用トレーナー（SFTTrainer および RLVRTrainer）を利用する。計算リソースの設定を省略した場合、SageMaker側がカスタマイズジョブに必要な学習キャパシティを自動的に選択・割り当て、処理終了後に解放する。学習済みのモデルは、バッチ処理によるカタログ拡充を想定し、別途「Amazon SageMaker 非同期推論（Asynchronous Inference）」へデプロイされる仕組みだ。

実装に必要な前提条件

このシステムを構築するにあたり、以下のリソースと環境が必要になると記載されている。

• SageMaker AIの権限: サーバーレスカスタマイズジョブ、AI Registry（データセットおよび評価器）、モデルパッケージグループ、モデル、エンドポイント、非同期推論、およびIAMロールの委譲権限（iam:PassRole）の管理権限。
• Amazon S3へのアクセス: 元データ、変換済み学習データ、モデルアーティファクト、非同期推論のリクエスト・レスポンスの読み書き。
• Amazon ECRへのアクセス: vLLM推論イメージを自身でビルド・ホストする場合にのみ必要（サーバーレスのSFTおよびRLVRの学習自体にはカスタムイメージは不要）。
• 機能提供リージョン: Qwen3-8BのSFTおよびRLVRに対応したAWSリージョン。
• ホスティングクォータ: 推論用インスタンス「ml.g6.2xlarge」および非同期エンドポイント用の十分なクォータ。
• データセット: 公開されている「Amazon Sales Dataset」、または同様のプロンプト・ターゲット形式に変換できる独自のカタログデータ。
• ローカル開発ツール: Python 3.11以上、AWS CLI v2、pandas、Amazon SageMaker Python SDK v3、推論イメージビルド用のDocker。