拍賣龍頭AI長的挑戰

全球最大拍賣網站eBay，在3年前，聘了一位當時少見的AI長Nitzan Mekel-Bobrov。這位留著一臉落腮鬍的AI長，擔任過醫療設備商Boston Scientific、金融集團Capital One和旅遊巨頭Booking.com的數據高階主管，這是他第一次進入零售電商產業。

以AI長職位，而非資料長來聘任，因為eBay高層對他的期待很不一樣，希望這位AI長可以確保eBay「神奇且負責任地提供AI增強的顧客體驗。」

陌生的零售產業經驗，讓Nitzan Mekel-Bobrov具有不一樣的眼光，可以從第三者的角度，更客觀地看到eBay的不足和問題。上任第一年，他就做了一個大膽的決定，推翻eBay用了二十多年的推薦系統運作模式。

eBay一年交易金額高達2兆元，多達1.35億名活躍會員每個月打開eBay，從17億件商品中，找到自己鍾意的那一項。想要提高交易量，如何靠商品推薦來吸引顧客購買是一大關鍵。

可是，不同於沃爾瑪、Amazon這類B2C的電商，eBay是C2C的商業模式，上架的商品，來自上億賣家，上架的商品五花八門，許多很難用制式的商品規格來描述，

甚至有很多商品是不會再次上架的一次性販售商品，再加上上億人、數十億件商品的規模，想要打造出一套好的推薦系統，是一個非常艱難的挑戰。過去二十年來，eBay以商品相似性為基底，發展出了一套複雜的推薦機制。

這麼多年來，eBay不斷改良和優化自己的推薦系統，從最早比對商品標題單字出現頻率來計算相似性的TF-IDF作法，到近十年開始利用越來越成熟的NLP模型，來分析商品標題的語意。

eBay甚至以當年超級熱門的BERT模型為基礎，用30億筆歷史商品標題及2.5億條維基百科上的英、德、法、義、西語語句作為訓練資料，發展出了一套自家的NLP模型eBERT，結合了多種模型壓縮和優化方式，最後微調出一套模型稱為Siamese MicroBERT，來分析十多億則商品標題的相似性。

後來，不只文字，還結合了圖片嵌入向量作法，讓商品外觀成為相似性比對的新維度，透過圖文向量來找出優先推薦的高相似性商品，當顧客瀏覽一個商品介紹網頁時，就會跳出相關的推薦產品。

但是，這位AI長到任後，一看到eBay這個用了十多年的推薦模式，就直言，這種只靠商品資訊來計算相似性的推薦，就算做到極致，還是有局限。預設相似越高的商品，對顧客會有同樣的吸引力，這種做法其實沒有辦法反映出顧客真正的興趣，甚至當顧客興趣轉換時，也無法動態修正推薦的結果。

「eBay推薦機制要有所突破，思維上必須要有根本性的改變。」他說。

他認為eBay必須跳脫平臺本位思考角度，改從顧客角度思考，嘗試理解顧客如何認知自家商品，以此作為推薦的依據。

重新以顧客角度來思考推薦本質，eBay開始聚焦顧客上站逛商品的探索行為，追蹤63類事件來描繪顧客的購物旅程，想辦法理解在這個過程中，顧客的興趣變化，來設計新一代的推薦系統。

這正是全球最大拍賣網站AI長過去三年，最重要的課題。

 相關報導