Amazon A+ Content raccoglie testi, immagini, video e impaginazione nelle pagine prodotto; nel sistema descritto da AWS, l’IA valuta l’intera pagina renderizzata, combinando segnali visivi e di leggibilità. L’account tecnico, pubblicato il 5 novembre 2026, riporta 0,94 di accuratezza e 0,95 di punteggio F1 per il modello combinato nella valutazione principale. AWS
Per valutare una pagina A+, conta anche come testi, immagini e impaginazione funzionano insieme.
Che cosa valuta l’IA nella pagina A+
Il sistema prende in esame uno snapshot della pagina completa, così da considerare i contenuti nel loro insieme, anziché giudicare ogni elemento visivo separatamente. Un modello visione-linguaggio (VLM) assegna un punteggio da 0 a 10 a quattro aspetti: narrazione visiva, presentazione delle caratteristiche, impaginazione A+ e ottimizzazione della conversione. Per ciascun punteggio produce anche un valore di affidabilità e una motivazione.
La valutazione riguarda quindi sia i singoli contenuti sia il modo in cui compongono la pagina. Due pagine con testi simili, per esempio, possono differire nella leggibilità se cambiano densità del testo, spaziatura e disposizione.
Come si combinano segnali visivi e leggibilità
Il riconoscimento ottico dei caratteri (OCR) estrae quattro segnali legati al testo e alla sua disposizione: densità del testo, densità dei caratteri, spaziatura e leggibilità complessiva. Un classificatore CatBoost combina questi quattro segnali con i quattro punteggi del VLM, per un totale di otto caratteristiche. L’addestramento usa etichette di qualità assegnate da persone.
Per costruire quelle etichette, AWS descrive un insieme di 5.478 pagine prodotto, distribuite in 10 categorie. Un esperto di marketing per l’e-commerce e quattro annotatori professionisti hanno classificato le pagine come di qualità alta o bassa; il voto della maggioranza ha determinato l’etichetta finale.
SHAP, un metodo di attribuzione delle caratteristiche, individua quali segnali hanno contribuito a spingere una valutazione verso l’alto o verso il basso. AWS descrive anche un modello linguistico di grandi dimensioni (LLM) che usa i contributi negativi, la categoria, le motivazioni del VLM e le pratiche di e-commerce per ordinare le raccomandazioni di revisione.
I risultati riportati da AWS
La tabella confronta accuratezza e punteggio F1 sullo stesso insieme di test, pari al 20% del dataset principale e composto da circa 1.100 pagine. L’accuratezza indica la quota di classificazioni corrette; il punteggio F1 combina precisione e richiamo, cioè considera sia le classificazioni positive corrette sia quelle mancate.
| Configurazione | Accuratezza | Punteggio F1 |
| Punteggi VLM mediati con soglia fissa | 0,80 | 0,84 |
| CatBoost basato solo su OCR | 0,82 | 0,83 |
| CatBoost basato solo su VLM | 0,89 | 0,90 |
| CatBoost con segnali OCR e VLM | 0,94 | 0,95 |
Nel confronto riportato da AWS, il modello che combina OCR e VLM supera quello basato solo sul VLM di 0,05 punti in entrambe le metriche. Sono risultati della valutazione descritta da AWS.
AWS riferisce inoltre un aumento medio di 1,4 punti, su una scala di 10, nei punteggi di qualità dopo revisioni dei contenuti. In un esperimento A/B mondiale che ha modificato la visibilità dei contenuti A+ di bassa qualità, AWS riporta anche un miglioramento delle Ordered Product Sales (OPS), ovvero le vendite di prodotti ordinati.
