uniopen adapta Amazon Nova 2 Lite à moderação de conteúdo com fine-tuning e ajuste de prompt
A plataforma taiwanesa uniopen usou fine-tuning supervisionado e otimização de prompt para adaptar o Amazon Nova 2 Lite às suas políticas de moderação. A publicação mostra um fluxo com revisão humana e gates de qualidade antes de promover mudanças.
A uniopen, plataforma digital de comunicação e membros do grupo Uni-President Enterprises, de Taiwan, publicou um caso sobre a adaptação do Amazon Nova 2 Lite à sua política de moderação de conteúdo. O sistema classifica cada interação em duas dimensões: qual comportamento ocorreu, entre nove categorias, e a qual assunto ele se refere, entre marca, outro ou proibido.
Segundo a AWS, a equipe usou fine-tuning supervisionado com LoRA no Amazon SageMaker AI e depois fez uma otimização no prompt para mudar a saída do modelo de JSON para um formato em linha e esclarecer como lidar com vários comportamentos. O fine-tuning trouxe o maior ganho: a métrica Per Behavior Macro F1 passou de 0,5852 para 0,8364, e a Subject Type Macro F1 foi de 0,4162 para 0,8302. O ajuste no prompt levou os números a 0,8550 e 0,8491.
O fluxo separa a moderação em produção da correção, do treino e da promoção. Quando há erro reportado, um humano verifica a correção antes de ela entrar no conjunto de treino. Gates rígidos bloqueiam a promoção se o teste regressivo falhar; gates suaves pedem revisão quando há aviso de queda de desempenho. A avaliação usou o mesmo conjunto de teste com 737 janelas de conversa.
O que muda para você
Para equipes que já usam moderação automática, o caso mostra o que dá para fazer hoje: ensinar a taxonomia do próprio negócio com fine-tuning e depois ajustar o prompt para extrair um pouco mais sem novo treino. O valor está no controle. Sem revisão humana e sem gates de avaliação, a melhora pode virar regressão sem ninguém perceber.
Minha leitura
O sinal aqui é de disciplina, não de milagre. A AWS está mostrando que melhorar um modelo para moderação depende menos de um prompt esperto e mais de um processo que não deixa correção ruim entrar como verdade. Primeiro vem a triagem humana. Depois, os testes. Só então a promoção. Para quem opera conteúdo em escala, a pergunta certa não é se o modelo acerta mais. É se o seu fluxo aguenta dizer não quando ele piora.
Thiago FelizolaConsultor de IA, curador do Diário da IA
