一家初创公司获得1230万美元新投资，旨在兑现电商个性化承诺。个性化引擎能在正确时间向购物者展示合适产品，理论上可实现双赢：购物者看到相关商品，商家提升销量。
但“如何精准展示”并非易事。瑞士初创公司Albatross AI首席科学官Matteo Ruffini在2025年2月采访中指出，这正是其团队致力于解决的核心问题。
实时数据驱动
传统电商推荐多依赖历史行为数据，回顾数月甚至数年的购买与浏览记录。Albatross虽也使用历史数据，但增加了实时预测要素。
据福布斯报道，其产品“捕获会话中每个用户操作，输入至类语言模型的AI转换器中。输入为‘用户-操作-项目’事件三元组而非单词。模型分析操作序列及上下文，持续更新并毫秒级响应，无需重新训练。”本质上，该公司声称拥有首个针对顺序性实时事件的AI建模基础设施。
Albatross声称拥有首个用于对顺序性实时事件进行模型训练的AI基础设施。
攻克三大挑战
Albatross AI解决了预测性电商推荐中长期存在的三大难题：
- 漫长的训练周期；
- 新购物者冷启动分类；
- 新产品冷启动问题。
缩短训练周期
传统机器学习模型需数周至数月积累数据才能生成有效推荐，且需频繁重训。按日或周训练的推荐系统往往滞后于需求变化、季节性趋势或突发文化事件。若消费者意图当日改变，系统无法即时响应。
Albatross等平台探索连续学习或增量学习，减少对计划性重训的依赖，使模型更贴合活跃会话状态。
新顾客识别
传统系统对新顾客仅能依赖热门榜单或通用推荐，无Cookie个性化或概率身份匹配效果有限。行业正转向“第一分钟个性化”，即通过单会话内的滚动深度、停留时间、跳出模式、微悬停等信号推断意图，减少了解用户兴趣所需的交互次数。
产品冷启动
电商目录动态更新，每日新增大量SKU。传统算法因缺乏交互数据难以推荐新品，导致其被埋没。人工标记或流量倾斜可能破坏个性化逻辑。
AI方法开始利用内容嵌入、多模态表示和序列建模，在无互动数据时推断潜在相关性。研究证实，结合商品元数据、图文描述及用户序列上下文，可使新品在上线首日即被精准触达。
AI与商业融合
上述挑战同样适用于电商AI转型趋势。ChatGPT、Perplexity等大模型试图通过代理商务排序商品，但若无法解读购物意图则难以实现目标。
简言之，推荐引擎与AI购物代理的界限正日益模糊，商品发现与购买决策加速融合。