瑞士信息与通信科技企业Albatross研发用于商品实时推荐的AI模型，提升用户个性化导购体验

来源：市场资讯

（来源：钛媒体APP）

图源Albatross

瑞士信息与通信科技企业Albatross成立于2024年，公司致力于研发用于电商平台商品实时推荐的AI模型。该模型基于Transformer架构，采用自适应人工智能，可根据实时用户交互进行产品推荐和搜索。

Albatross由Kevin Kahn、Matteo Ruffini和Johan Boissard共同创立。Kevin Kahn为公司首席执行官，拥有帝国理工学院应用物理学博士学位，曾在亚马逊担任产品负责人，管理机器学习和推荐平台相关工作。Matteo Ruffini为公司首席科学官，拥有加泰罗尼亚理工大学人工智能博士学位，曾在亚马逊担任应用科学经理。Johan Boissard为公司首席技术官，曾担任Nexys Syatems、LunchLottery与Digis创始人。

图源VentureLab

当前，多数电商、内容及交易平台的推荐与搜索系统仍沿用历史回溯和静态响应的传统运行模式，核心依托用户历史行为数据、固定规则、热度排序与关键词匹配来实现内容分发，模型训练与迭代更新普遍以日、周为周期。其搜索与推荐底层技术长期缺乏突破性升级，造成系统响应滞后、适配灵活性不足。同时，传统技术架构难以捕捉用户“此时此刻正在做什么、想看什么、想买什么”的实时行为与即时需求，无法精准洞察动态变化的短期意图，导致平台个性化推荐不够精准、长尾内容发现能力不足，陷入同质化推荐的困境。且传统方案通常高度依赖人工配置规则、周期性重复训练和长期运维投入，整体成本较高，运行效率与业务迭代空间存在制约。

图源Albatross

Albatross研发了用于商品实时推荐的AI模型，该模型通过分析用户操作的顺序和会话上下文，动态调整推荐与搜索体验，提供个性化实时导购服务。该模型无需描述性元数据，可直接从用户与商品的交互顺序中学习，基于用户感知而非标签来生成推荐。

Albatross的技术不依赖GenAI大型语言模型，而是采用基于Transformer架构、经实时行为训练的序列嵌入AI模型来生成建议和推荐。如同语言中词语顺序具有意义，商品推荐中用户操作的顺序同样具有意义——Albatross的模型可实时解读用户行为，捕获会话中的用户意图与上下文，在分析操作本身的同时还分析操作顺序及连接这些操作的上下文，并持续从实时交互中学习，以动态智能替代静态规则、目录元数据及过往行为，实现毫秒级即时推荐。

Albatross提供实时推荐信息流和多模态搜索两大核心产品。实时推荐信息流可根据用户行为意图的变化更新产品和内容推荐，而多模态搜索则利用用户对话上下文和图像来优化搜索结果。Albatross 会根据用户当前轮次会话中发生的点击、浏览、停留、跳转、切换类目等行为及交互顺序，理解用户在浏览过程中的实时意图并调整推荐内容。例如，当用户浏览沙发后转而查看地毯或落地灯时，Albatross 会将用户的浏览目标从寻找单个商品转变定位为布置房间，进而突出显示跨类别的相关商品。再例如，当用户点击了一张复古咖啡桌，Albatross 会开始展示同类风格的配套商品，例如灯具、画作、装饰品或储物柜，无需用户主动搜索。这让用户体验重新成为购物的核心，有助于电商平台获得竞争优势。Albatross提供的每次会话都是独立生成的实时推荐信息流，推理延迟低于100毫秒，每秒更新嵌入信息超过4000次，全程无需任何人工干预或重新训练。如今，Albatross的模型已覆盖超过1亿件商品，每月处理超过10亿条交互。

部署方面，Albatross零维护、API优先的基础架构可实现即插即用，大幅降低企业接入门槛。企业用户仅需集成交互行为API和实时推荐API，即可快速完成上线部署，无需从零自建系统。Albatross支持独立用户模式，可下沉至单个用户级别，跟踪用户行为、衡量结果、部署模型并在用户层面进行测试，助力精细化运营。同时，Albatross具备持续适应性学习能力，无需企业投入重复的模型训练与系统维护成本，进一步减轻企业运维负担。

运营效果方面，Albatross与西班牙电商平台Wallapop达成战略合作系，对其10%的流量进行为期四周的A/B测试。结果显示，Albatross的模型使Wallapop平台的用户参与度提高了118.9%，收藏和互动量提高了104.8%，购买意愿提高了46.9%。

截至2025年末，Albatross已荣获“2025年零售科技创新奖”（Tech for Retail 2025 Innovation Award），并从MMC Ventures、Redalpine和Daphni等机构融资1600万美元资金。

图源以明科技