# Ako Amazon Marketplace hodnotí kvalitu A+ Content pomocou SageMaker AI

- Source: MechNext — https://mechnext.eu/sk/article/63-how-amazon-marketplace-evaluates-a-content-quality-with-sagemaker-ai
- Published: 2026-11-06
- Updated: 2026-11-06
- Category: Industry News
- Language: sk (Markdown in other languages: ?lang=en, ?lang=de, ?lang=pl, ?lang=zh, ?lang=ru)

> Amazon opisuje systém, ktorý spája vizuálno-jazykové hodnotenie celej produktovej stránky, signály čitateľnosti z OCR a klasifikátor CatBoost. Výsledkom je predikcia kvality aj konkrétne odporúčania vysvetlené pomocou SHAP.

Amazon vo svojom odbornom príspevku opisuje spôsob, ako vo veľkom rozsahu hodnotiť kvalitu A+ Content na produktových stránkach. A+ Content je multimediálny prvok, prostredníctvom ktorého značky kombinujú obrazové materiály s textom, aby zákazníkom priblížili hodnotu produktu a značky. Podľa zdroja dosahujú predajní partneri s kvalitným A+ Content o 8 až 20 percent vyšší predaj než partneri, ktorí ho nepoužívajú.

### Celá stránka ako jeden vizuálny celok

Systém neposudzuje jednotlivé obrázky alebo textové bloky izolovane. Najprv vykreslí celú produktovú stránku do jedinej snímky. Vizuálno-jazykový model potom hodnotí spoločné pôsobenie obrázkov, textu a rozloženia tak, ako ich vidí zákazník. Tento prístup zachováva kontext stránky: dôležitá nie je iba kvalita jednotlivého prvku, ale aj jeho vzťah k ostatnému obsahu.

Model používa pevnú rubriku so štyrmi rozmermi: **vizuálne rozprávanie príbehu**, **prezentácia vlastností**, **rozloženie A+ Content** a **optimalizácia konverzie**. Pre každý rozmer vracia skóre od 0 do 10, hodnotu istoty a slovné odôvodnenie. Model aj rubrika zostávajú pevné a ich štruktúrované výstupy sa používajú ako vstupné príznaky pre klasifikátor CatBoost.

### OCR dopĺňa pohľad na čitateľnosť

Samostatný OCR model prevádzkovaný cez SageMaker AI Inference získava textové bloky a ich pozície. Z nich vypočítava štyri signály: hustotu textu, hustotu znakov, rozostupy a celkovú čitateľnosť. Štyri hodnotenia vizuálno-jazykového modelu a štyri OCR signály spolu vytvárajú osem príznakov, ktoré vstupujú do CatBoostu.

Tréningové označenia vznikli z nezávislých hodnotení jedného odborníka na marketing v elektronickom obchode a štyroch profesionálnych anotátorov. Hodnotili 5 478 produktových stránok v desiatich kategóriách a výslednú konsenzuálnu triedu určila väčšina hlasov. Podiel stránok označených ako kvalitné bol 49,6 percenta. Cohenova kappa jednotlivých anotátorov voči konsenzu dosiahla 0,845 až 0,915.

### Výsledky porovnania

Na rovnakom 20-percentnom holdout súbore dosiahlo jednoduché priemerovanie skóre presnosť 0,80 a F1 0,84. CatBoost iba s príznakmi vizuálno-jazykového modelu dosiahol presnosť 0,89 a F1 0,90, zatiaľ čo verzia založená iba na OCR dosiahla 0,82 a 0,83. Spojený model OCR–VLM–CatBoost dosiahol najvyššie hodnoty: presnosť 0,94 a F1 0,95.

Analýza SHAP ukázala, ktoré príznaky mali na holdout súbore najvyššie priemerné absolútne hodnoty. Hustota znakov z OCR dosiahla 1,1, celková čitateľnosť z OCR 1,0 a vizuálne rozprávanie 1,0. Nasledovalo rozloženie A+ Content s hodnotou 0,8, prezentácia vlastností s 0,6 a optimalizácia konverzie s 0,4. Ide o vysvetlenie správania modelu na danom súbore, nie iba o samostatný zoznam dizajnových pravidiel.

### Od klasifikácie ku konkrétnej úprave

Ak systém označí stránku za nekvalitnú, zoradí všetkých osem príznakov podľa hodnôt SHAP. Najnegatívnejšie príznaky spolu s kategóriou produktu, osvedčenými postupmi elektronického obchodu a slovnými odôvodneniami modelu odošle jazykovému modelu. Ten vytvorí prioritizované a konkrétne kroky, takže výsledkom nie je iba verdikt, ale aj vysvetlenie, na čo sa pri revízii sústrediť.

Po úpravách obsahu podľa týchto odporúčaní sa priemerné skóre kvality zvýšilo o 1,4 bodu na desaťbodovej stupnici v štatisticky významnej vzorke. Opísaná implementácia mapuje vykresľovanie, VLM hodnotenie, OCR, agregáciu príznakov, tréning CatBoostu, vysvetľovanie SHAP aj produkčný monitoring na spravované možnosti SageMaker AI. Monitoring sleduje kvalitu dát, kvalitu modelu a posun atribúcií príznakov; pri prekročení prahov posunu SageMaker Pipelines automatizuje opätovné trénovanie. Keďže aktualizácia nemení pevný VLM ani rubriku a upravuje iba klasifikátor, podľa zdroja vyžaduje krátku úlohu bežiacu iba na CPU.