QCon北京「鸿蒙专场」火热来袭!即刻报名,与创新同行~ 了解详情
写点什么

1688 AI 托管:曾经以为走错了路,但最终闯出一片天

李忠良 InfoQ

  • 2024-10-15
    北京
  • 本文字数:3947 字

    阅读完需:约 13 分钟

1688 AI 托管:曾经以为走错了路,但最终闯出一片天

在电商领域,AI 正加速渗透到各个环节,成为企业提升运营效率、优化用户体验的关键驱动力。在即将于 10 月 18-19 日举行的 QCon 全球软件开发大会(上海站)上,阿里巴巴技术专家刘祥宇将分享他对 AI 在电商领域的最新应用趋势的深入见解。他将探讨 1688 平台如何通过 AI 托管服务帮助商家提升经营效益,深入解读其核心技术架构、AgentSwarm 模式以及 AI 归因分析等领域的突破与挑战。为此,我们在会前专访了刘祥宇老师,围绕这些热点话题展开讨论,旨在为读者揭示 AI 技术在电商商家运营中的实际应用现状及未来发展趋势。


此外,在本次 QCon 大会上,我们精心策划了【AI 应用开发实践】专题,汇聚了四大一线实践话题,包括豆包的 MarsCode、百度文心智能体开发、1688 的 AI 托管商家经营,以及轻量级大模型在携程酒店供应链领域的应用。除此之外,大会还涵盖了架构、前端、安全等多个技术领域的深度实践。点击原文链接,了解更多精彩内容。


AI 应用趋势与现状

InfoQ:您认为 AI 在电商领域的最新应用趋势有哪些?


刘祥宇:C 端:AI 搜索、AI 导购(交互式导购)是目前大家都在重点探索的方向。


B 端:更多的在 AI 专项能力上,AI 数字人直播、AI 生图等,1688 除了做这些以外,重点建设了综合性的经营计划,为商家提供 AI 托管服务。


InfoQ:作为对接大量工厂型商家的平台,1688 是如何定义商家 AI 应用的全景图的?在与商家合作的过程中,最常见的痛点和需求是什么?


刘祥宇:我们梳理了商家经营的全链路,将商家的生产销售分为 10 个大环节,47 个小环节。同时,我们把 AI 能力应用分了 5 等级,对每个环节的 AI 成熟度做了分层。商家合作的常见痛点是对 AI 的信任度不够,不信任 AI 能替代人。


InfoQ:您如何看待当前 AI To B 市场的客户画像?面对多样化的商家需求,1688 是如何调整和优化 AI 服务的?


刘祥宇:电商领域,商家分层很明显,在 1688 更为显著。头部的商家具有完善的运营团队,而中腰部的商家可能只有一两个人运营店铺。他们的诉求差异很大,腰尾部商家希望 AI 可以帮他们决策甚至一键执行,头部商家则希望 AI 仅仅提建议,最好是只提供丰富的数据,所有的决策和执行都更依赖自己的团队。另外,只做批发和批零一体的商家诉求也不一样,只做批发的商家诉求更多的集中在如何获取行业大客户上,批零一体的商家则。1688 针对不同类型的商家提供了不同层级的服务。


AI 托管服务


InfoQ:能否详细介绍 AI 托管服务的核心技术架构?其中涉及到哪些关键技术点?这些技术是如何共同作用来提升商家线上运营效果的?


刘祥宇:AI 托管服务的技术架构,有点类似自动驾驶技术,里面有很多共通之处。核心包括决策规划系统、执行控制系统、AI 工程系统三大部分。决策规划系统里细分了环境感知、决策控制等子系统,可以类比自动驾驶里的定位导航、路径规划、环境感知等系统。执行控制系统类似自动驾驶里运动控制系统和辅助驾驶系统等。AI 工程系统核心解决的是大模型基础的调用、优化、稳定性和性能。


InfoQ:在推动 AI 托管模式落地时,主要面临哪些障碍?您提到的一揽子解决方案是如何克服这些障碍的?能否分享一些具体的案例或经验?


刘祥宇: 我们在商家端 AI 的应用经历了两个阶段,初期我们和业界其他团队一样,核心做了商家经营各个环节工具的 AI 化,但是我们做着做着就发现这条路有四个问题:


第一,商家端的各类 AI 工具很炫,但是距离可靠和实用还有一定距离;第二,AI 工具只能交付工具价值,它的商业化空间就是工具收费,而工具收费受限于前面一个问题,导致商家的付费意愿和复购意愿都不高;第三,我们观察数据,使用 AI 工具的还是头部商家,也就是好学生更善于学习,这加剧了平台的马太,而我们希望 AI 可以普惠,帮助广大工厂类型商家提升运营能力;第四,AI 工具做的人太多了,阿里集团内部就有淘宝、阿里云、阿里妈妈、跨境业务等多个业务在做,我们做这个没有特别的优势。


所以,我们启动了 AI 托管项目。我们当时走访了很多代运营公司,发现两个问题:第一,代运营公司做的事情其实很简单,非常的标准化,每家公司都有一个服务的 SOP,大差不差,所以说明这个事情是可以数字化 AI 化的;第二,代运营的口碑非常差,只有少数头部代运营公司能交付价值,大部分代运营公司提供的服务非常薄。所以我们 AI 的对手就比较好“对付”,否则你的起点太高是很不好冷启动的。


然后我们内部又分析了一波数据,发现这个市场非常大,于是大家就一拍即合,启动了这个项目。


这个项目的初期是非常艰难的,因为我们发现业界根本就没有任何参照产品,我们进入了一片“无人区”。有一段时间我们连着五六周都没有进展,不断的做调研、产品改了又改。


此外,商家对 AI 代运营或者 AI 托管具有本能的警惕和抗拒,初期几乎没有人相信我们。这样的状态继续了几个月,我们团队不眠不休的“忐忑”的工作了几个月,在第 V0.4 版本上线以后,我们终于开始有正反馈了,第一批试点的几百个商家效果很正向,有段时间我一直怀疑数据错了,但是后面持续的验证都是很正向的。再往后,我们发布正式的 V1.0 版本,随后 V1.1 版本,V2.0 版本等,商家数量也从几百个到几千个再到几万家。


InfoQ:您提到 AgentSwarm 模式对商家运营有显著提升,能否深入讲解该模式的工作机制?在实践中它是如何帮助商家解决实际问题的?


刘祥宇:AgentSwarm 是指通过为不同 Agent 指定分工,利用多个 Agent 协同工作来提升最终效果的方式。这里既包含了单一任务的 AgentSwarm(比如标题 SEO 优化),也包含了复合任务的 AgentSwarm(比如新品破零)。AgentSwarm 协作有一些范式,比如 PEER 模式、DOE 模式等,通过这些范式的运用,可以让单个任务执行的成功率明显的提高。另外,在复杂任务上,多个 Agent 协同,可以明显提高目标完成率。


InfoQ:您在分享中提到图文 GC 和多轮对话问答的应用。能否具体讲讲这些技术在商家运营中的作用?如何通过这些技术指导商家的具体行动?


刘祥宇:比较典型的应用是商品标题优化、营销文案生成、商品主图优化和一些对话场景。通过标题 SEO 和图片优化,可以提升部分商家的流量和点击率,营销文案可以帮助商家提升老客运营和站外营销的能力。


InfoQ:您如何看待大模型在 AI 托管服务中的应用前景?现阶段,大模型还存在哪些局限?随着技术发展,这些局限是否会被克服?


刘祥宇:AI 托管服务我认为是大势所趋,当前电商发展越来越卷利润越来越薄,而各个电商平台的机制越来越复杂,商家运营成本高昂,有非常大的降本增效的诉求。我们有一个大客户,去年就裁掉了大部分运营团队,老板亲自下场运营店铺。这种大背景下,能够通过技术手段代运营,会是很强的诉求。


现阶段的大模型,并不能端到端的解决所有问题,对于大部分任务,还需要通过大模型和传统模型甚至是一些工程方案来配合解决。随着大模型的发展,可以预见的是理解和 planning 等能力越来越强,比如新出的 GPT-o1,它就有非常强力的规划能力,这对我们这个场景是非常有帮助的。但同时,也要看到模型依然有解决不了的问题,需要通过专门的数据准备,行业化的方案提升特定任务的效果。


商家域 AI 发展空间与技术路线


InfoQ:您对商家域 AI 的未来空间和发展路线有什么看法?有哪些领域是目前还未被充分开发的,您认为可能是未来的突破口?


刘祥宇: 商家端 AI 当前的思路都是降本提效,更注重降本。但是我的认识是随着各类工具型 AI 的成熟,大家一定会朝着综合性 AI 解决方案迈进。我们做的 AI 代运营就是其中的一种尝试。目前这个方向还缺乏探索,我们在中间也踩了很多坑,我认为后续等产品和技术能力打磨成熟以后,会成为商家运营的重要突破。


InfoQ:您提到 Agent 概念在落地过程中存在“水土不服”的问题。能否分享一下这些问题具体表现在哪些方面?未来的 Agent 应该如何演进才能更好地适应商家需求?


刘祥宇:Agent 概念非常火,有很多人给出了他们认为的“定义”,但是在落地的过程中,我们发现完全遵循“定义”的场景其实有限,并且符合“定义”不代表在业务上好用,所以很多时候都会针对业务实际场景做调整,这个现象我们和其他很多团队沟通都有想死体感。


所以目前,比较主流的方式是 Agent+workflow 的方式来约束 AI 达成目标,这种做法在提高任务成功率的同时降低了泛化性。随着大模型的发展,我们能观察到大模型的 planning 能力越来越强,比如新出的 GPT-o1,通过 COT 和 RL 的应用,模型展现了更优秀的规划和思考能力。因此,可以预想,未来可以通过大模型的发展解决这类问题。


InfoQ:目前,1688 在 AI 托管能力方面已经取得了哪些领先的技术突破?这些技术突破是如何影响商家经营效果的?在 RAG 应用和 AI 归因分析等领域,1688 取得了哪些显著成果?


刘祥宇:AI 托管在整体解决方案、图片优化方案、对话牵引能力、归因分析等方面有一定突破。目前我们商家使用 AI 托管服务的 AB 实验效果显著正向。我们也在快速迭代和优化现有的能力。AI 归因是业界比较复杂的问题,目前 AI 数据产品多数停留在浅层的数据抽取和解读方面,归因问题还比较难解,我们通过一系列技术手段使得归因的效果有显著提升。



嘉宾介绍:


刘祥宇,阿里巴巴淘天集团 1688 技术专家,商家智能经营团队和开放生态团队负责人。具备算法、工程、数据科学的交叉技术背景,在语言模型、工程架构、因果推断等领域均有实践经验,推动了 1688 自动化营销导购的技术和产品体系发展。目前带领团队负责 1688 商家 AI 托管经营项目,从 0 到 1 建设智能经营解决方案,并取得初步成效。


活动推荐:


10 月 18 日 -19 日,QCon 全球软件开发大会将在上海举办。从云原生工程、架构、线上可靠性、大前端、技术管理等经典内容,到 AI Agent、AI Infra、RAG 等大热的 AI 话题,60+ 资深专家共聚一堂,深度剖析相关落地实践案例,共话前沿技术趋势。大会火热报名中,详情可联系票务经理  17310043226 咨询。



2024-10-15 18:005480

评论

发布
暂无评论
发现更多内容

Java 面试都只是背答案不

HoneyMoose

python-抽象

加里都好

JavaScript中的 async 和 await

devpoint

Promise Async await 8月日更

【前端 · 面试 】HTTP 总结(九)—— HTTP 协商缓存

编程三昧

面试 8月日更 HTTP缓存

写作 7 堂课——【4. 联机式写作】

LeifChen

素材 写作技巧 8月日更 联机 写作网感

绝绝子!腾讯大牛1909页的leetcode刷题笔记,细节满满

Java 编程 架构 面试 程序人生

【设计模式】外观模式

Andy阿辉

C# 后端 设计模式 8月日更

jackson解析泛型的正确写法

4ye

Java Jackson 8月日更

白话机器学习:什么机器学习模型?

杜吉普

机器学习 数据分析 数字化转型

构建Apache Flink 开发环境(四)

Databri_AI

flink IDEA 开发环境

关于区块链的学习笔记(二)

姬翔

“善于治”和“以善治”:华为云Stack在智慧城市的十年踪迹十年心

脑极体

有什么理由将代码保存为 GBK 编码

HoneyMoose

架构训练营模块四作业

Lemon

不装了、摊牌了,我们要搞事情

不脱发的程序猿

程序员 技术 程序人生

【Vue2.x 源码学习】第三十篇 - diff算法-比对优化(上)

Brave

源码 vue2 8月日更

Linux之ping命令

入门小站

Linux

白话机器学习(2):产品经理都在用的线性回归模型

杜吉普

机器学习 线性回归

关于区块链的学习笔记(三)

姬翔

【架构实战营】毕业总结

Geek_2e7dd7

阿里P8教你Java注解与反射

陈皮的JavaLib

Java 面试 8月日更 java注解 反射机制

负载均衡的原理与设计

海明菌

负载均衡 负载均衡算法 负载均衡架构

趁着课余时间学点Python(八)函数的简单理解

ベ布小禅

8月日更

几十种编程语言说Hello World

入门小站

工具

php 精度问题

一个大红包

8月日更

【LeetCode】超级丑数Java题解

Albert

算法 LeetCode 8月日更

网络攻防学习笔记 Day100

穿过生命散发芬芳

态势感知 网络攻防 8月日更

奥运背后的5G赛场,竟然也这么激烈?

脑极体

Grafana 配置 Thanos 查询历史数据

耳东@Erdong

Grafana Prometheus Thanos 8月日更

Node.js 实现存储服务的上传功能【包含前后端代码】

liuzhen007

8月日更

关于区块链技术的学习笔记(一)

姬翔

1688 AI 托管:曾经以为走错了路,但最终闯出一片天_AI&大模型_InfoQ精选文章