# Wie Amazon Marketplace die Qualität von A+ Content mit SageMaker AI bewertet - Source: MechNext — https://mechnext.eu/de/article/63-how-amazon-marketplace-evaluates-a-content-quality-with-sagemaker-ai - Published: 2026-11-06 - Updated: 2026-11-06 - Category: Industry News - Language: de (Markdown in other languages: ?lang=en, ?lang=sk, ?lang=pl, ?lang=zh, ?lang=ru) > Amazon beschreibt ein System, das die gesamte Produktseite visuell bewertet, OCR-Signale zur Lesbarkeit ergänzt und beides mit CatBoost klassifiziert. SHAP-Erklärungen übersetzen negative Ergebnisse anschließend in priorisierte Maßnahmen. Amazon beschreibt einen Ansatz, mit dem sich die Qualität von A+ Content auf Produktdetailseiten in großem Umfang bewerten lässt. A+ Content ist ein Rich-Media-Element, in dem Marken visuelle Inhalte einsetzen, um den Wert eines Produkts und der Marke zu vermitteln. Laut der Quelle steigern Verkaufspartner mit hochwertigem A+ Content ihren Umsatz um 8–20 Prozent gegenüber Partnern ohne diesen Inhalt. ### Die vollständige Seite als Bewertungsgegenstand Das System untersucht Bilder und Texte nicht nur als getrennte Bausteine. Es rendert die gesamte Produktdetailseite als einen einzigen Snapshot. Ein Vision-Language-Modell bewertet anschließend Bilder, Text und Layout in ihrer gemeinsamen Darstellung, so wie Kundinnen und Kunden sie sehen. Dadurch bleibt der Zusammenhang zwischen den Seitenelementen Bestandteil der Beurteilung. Für die Auswertung gilt eine feste Rubrik mit vier Dimensionen: **Visual Storytelling**, **Feature Presentation**, **A+ Layout** und **Conversion Optimization**. Zu jeder Dimension liefert das Modell einen Wert von 0 bis 10, einen Konfidenzwert und eine natürlichsprachliche Begründung. Das Vision-Language-Modell und der Rubrik-Prompt bleiben unverändert. Die strukturierten Ausgaben dienen als Merkmale für einen CatBoost-Klassifikator, der Qualitätskennzeichnungen von Fachleuten vorhersagt. ### Lesbarkeitssignale aus OCR Ein auf SageMaker AI Inference gehostetes OCR-Modell extrahiert Textblöcke und ihre Positionen. Daraus berechnet es Textdichte, Zeichendichte, Abstände und allgemeine Lesbarkeit. Diese vier OCR-Signale werden mit den vier Bewertungen des Vision-Language-Modells kombiniert. So entsteht eine Eingabe aus acht Merkmalen für CatBoost. Die Trainingskennzeichnungen basierten auf unabhängigen Bewertungen eines Experten für E-Commerce-Marketing und vier professionellen Annotatoren. Sie bewerteten 5.478 Produktdetailseiten aus zehn Produktkategorien. Die Mehrheitsentscheidung ergab die Konsenskennzeichnung; 49,6 Prozent der Seiten galten dabei als hochwertig. Cohens Kappa jedes Annotators gegenüber dem Konsens lag zwischen 0,845 und 0,915. ### Vergleich auf demselben Holdout-Datensatz Die Varianten wurden auf demselben Holdout-Anteil von 20 Prozent verglichen. Eine Baseline aus gemittelten Bewertungen erreichte eine Accuracy von 0,80 und einen F1-Wert von 0,84. CatBoost ausschließlich mit Vision-Language-Merkmalen erreichte 0,89 Accuracy und 0,90 F1. Die reine OCR-Variante kam auf 0,82 beziehungsweise 0,83. Das kombinierte OCR–VLM–CatBoost-Modell erzielte mit 0,94 Accuracy und 0,95 F1 die höchsten berichteten Werte. Die SHAP-Auswertung machte sichtbar, welche Merkmale auf dem Holdout-Datensatz die höchsten mittleren absoluten Werte hatten. Die OCR-Zeichendichte lag bei 1,1. Die allgemeine OCR-Lesbarkeit und das visuelle Storytelling erreichten jeweils 1,0. Danach folgten A+ Layout mit 0,8, Feature Presentation mit 0,6 und Conversion Optimization mit 0,4. Die Werte erklären die Merkmalsbeiträge des Klassifikators innerhalb dieser Auswertung. ### Aus einer Einstufung werden konkrete Schritte Wird eine Seite als qualitativ niedrig eingestuft, ordnet das System alle acht Merkmale nach ihrem SHAP-Wert. Die Merkmale mit dem negativsten Einfluss, die Produktkategorie, bewährte E-Commerce-Praktiken und die Begründungen des Vision-Language-Modells werden an ein Sprachmodell übergeben. Dieses erzeugt priorisierte, konkrete Maßnahmen. Die Ausgabe beschränkt sich somit nicht auf eine Klasse, sondern zeigt, welche erkannten Schwächen zuerst bearbeitet werden sollten. Nachdem Verkaufspartner ihre Inhalte anhand dieser erklärungsbasierten Empfehlungen überarbeitet hatten, stieg die durchschnittliche Qualitätsbewertung nach der Überarbeitung in einer statistisch signifikanten Stichprobe um 1,4 Punkte auf einer Zehn-Punkte-Skala. Der berichtete Effekt bezieht sich auf die Änderung der Qualitätsbewertung nach der inhaltlichen Revision. ### Betrieb und Aktualisierung Die beschriebene Implementierung ordnet Rendering, VLM-Bewertung, OCR-Extraktion, Merkmalsaggregation, CatBoost-Training, SHAP-Erklärbarkeit und Produktionsüberwachung verwalteten SageMaker-AI-Funktionen zu. Die Überwachung erfasst Datenqualität, Modellqualität und Drift bei den Merkmalsattributionen. Werden Drift-Schwellen überschritten, automatisiert SageMaker Pipelines das erneute Training. Da Vision-Language-Modell und Rubrik-Prompt fest bleiben, muss für eine Aktualisierung nur der Klassifikator neu trainiert werden. Laut Quelle ist dafür lediglich ein kurzer, ausschließlich auf CPUs laufender Auftrag erforderlich. Die Bewertungsstruktur bleibt damit stabil, während der Prädiktor für die Expertenkennzeichnungen aktualisiert werden kann.