详细内容或原文请订阅后点击阅览
Travelers Insurance 如何使用 Amazon Bedrock 对电子邮件进行分类并快速进行工程设计
在本文中，我们讨论了 FM 如何通过快速工程可靠地自动对保险服务电子邮件进行分类。当将问题表述为分类任务时，FM 可以在生产环境中表现良好，同时保持可扩展性以扩展到其他任务并快速启动和运行。所有实验均使用 Amazon Bedrock 上的 Anthropic 的 Claude 模型进行。
来源:亚马逊云科技 _机器学习这是一篇客座博客文章，由 Travelers 的 Jordan Knight、Sara Reynolds 和 George Lee 共同撰写。
这是一篇客座博客文章，由 Travelers 的 Jordan Knight、Sara Reynolds 和 George Lee 共同撰写。基础模型 (FM) 用途广泛，在文本生成、文本摘要和问答等任务上表现良好。FM 越来越多地完成以前由监督学习解决的任务，监督学习是机器学习 (ML) 的一个子集，涉及使用标记数据集训练算法。在某些情况下，较小的监督模型已显示出在生产环境中执行的能力，同时满足延迟要求。但是，使用 Amazon Bedrock 等 API 服务构建基于 FM 的分类器有很多好处，例如开发系统的速度、在模型之间切换的能力、快速实验以进行及时的工程迭代以及可扩展到其他相关的分类任务。 FM 驱动的解决方案还可以提供输出的理由，而传统分类器则缺乏这种能力。除了这些功能之外，现代 FM 还足够强大，可以满足准确性和延迟要求，从而取代监督学习模型。
问题表述
主要任务是将旅行者收到的电子邮件分类到服务请求类别中。请求涉及地址变更、保险范围调整、工资单更新或风险变化等领域。虽然我们使用了预先训练的 FM，但问题被表述为文本分类任务。但是，我们没有使用通常需要培训资源的监督学习，而是使用了提示工程和少量提示来预测电子邮件的类别。这使我们能够使用预先训练的 FM，而无需承担培训成本。工作流程从一封电子邮件开始，然后，根据电子邮件的文本和任何 PDF 附件，模型对电子邮件进行分类。