Według opisu AWS z 5 listopada 2026 r. system oceny Amazon A+ analizuje wyrenderowaną stronę produktu jako całość, łącząc ocenę obrazu i układu z sygnałami czytelności tekstu. AWS opisuje, jak te dane trafiają do klasyfikatora CatBoost, a następnie służą do wyjaśnienia wyniku i przygotowania zaleceń.

W praktyce oznacza to, że algorytm ocenia układ modułów, tekst i obrazy na jednej stronie, zamiast traktować każdy plik jako osobny przypadek.

System ocenia całą stronę A+

AWS podaje, że system tworzy obraz całej strony A+ Content, tak by uwzględnić jej elementy razem. Model vision-language (VLM), czyli model analizujący obraz i język, ocenia cztery obszary. Każdy otrzymuje wynik od 0 do 10, poziom pewności i pisemne uzasadnienie:

  • opowiadanie obrazem (Visual Storytelling),
  • prezentacja cech produktu (Feature Presentation),
  • układ A+ (A+ Layout),
  • optymalizacja konwersji (Conversion Optimization).

Taki zestaw pozwala ocenić nie tylko samą jakość zdjęć, lecz także sposób przedstawienia produktu i układ całej treści.

OCR dodaje sygnały o czytelności tekstu

Drugi zestaw danych pochodzi z OCR, czyli optycznego rozpoznawania znaków. System oblicza cztery sygnały związane z układem tekstu: gęstość tekstu, gęstość znaków, odstępy i ogólną czytelność. Według AWS te miary zależą od rozmieszczenia tekstu, więc identyczne słowa mogą uzyskać różne oceny czytelności w innym układzie.

CatBoost łączy cztery wyniki VLM z czterema sygnałami OCR. Klasyfikator wykorzystuje te osiem cech, by przewidywać etykietę jakości: wysoką albo niską. Trenuje się go na ocenach wystawionych przez ludzi.

SHAP pokazuje, które cechy wpływają na przewidywanie i w jakim kierunku. Następnie duży model językowy korzysta z ujemnych wkładów cech, kategorii produktu, praktyk e-commerce i uzasadnień VLM, by uporządkować zalecenia dla sprzedawcy.

Jak wypadają wyniki klasyfikacji

Główny zbiór obejmował 5 478 stron produktów z 10 kategorii. Jeden ekspert ds. marketingu e-commerce i czterech profesjonalnych anotatorów oceniali je jako strony o wysokiej lub niskiej jakości; etykietę końcową ustalała większość głosów. W 49,6% etykiet konsensusowych przypisano wysoką jakość. Zgodność poszczególnych ocen z konsensusem mieściła się w zakresie 0,845–0,915 według współczynnika kappa Cohena.

Na wydzielonym zbiorze testowym, obejmującym 20% stron, AWS podaje następujące wyniki:

KonfiguracjaTrafność klasyfikacjiWynik F1
Średnia wyników VLM i stały próg0,800,84
CatBoost z samymi sygnałami OCR0,820,83
CatBoost z samymi wynikami VLM0,890,90
CatBoost łączący OCR i VLM0,940,95

Trafność klasyfikacji to udział poprawnych przewidywań. Wynik F1 łączy precyzję i czułość, czyli uwzględnia zarówno poprawne wskazania danej klasy, jak i pominięte przypadki. W porównaniu ze średnią VLM i stałym progiem połączenie OCR z VLM dało różnicę 14 punktów procentowych w trafności oraz 11 punktów procentowych w F1.

W osobnej próbie 499 projektów z jednej kategorii lżejszy model VLM uzyskał w konfiguracji bazowej 0,74 trafności i 0,72 F1, a po połączeniu z OCR 0,90 i 0,90. Dla mocniejszego VLM wartości wyniosły odpowiednio 0,79 i 0,84 w konfiguracji bazowej oraz 0,94 i 0,95 po połączeniu z OCR.

Trafność modelu opisuje zgodność jego klasyfikacji z etykietami jakości. Wynik sprzedażowy to osobny pomiar.

Wynik jakości treści a sprzedaż

AWS podała, że po poprawkach sprzedawców średni wynik jakości wzrósł o 1,4 punktu w skali dziesięciopunktowej. To rezultat dotyczący oceny treści. Osobno AWS opisała światowy eksperyment A/B, w którym zmieniano widoczność treści A+ uznanych za niskiej jakości; firma poinformowała o statystycznie istotnej poprawie wskaźnika Ordered Product Sales (OPS), czyli sprzedaży zamówionych produktów.