不同於B2C零售，C2C平臺賣家從專業二手商，到偶爾清倉的家庭都有。這意味著相同類型商品，名稱、描述、圖片的內容與品質可能完全不同。當C2C平臺巨頭eBay想用站上20億件商品SKU資料，來強化搜尋、推薦、行銷以及整體購物體驗，就得面臨資料品質參差不齊的挑戰。

多年來，他們持續使用不同技術，例如NLP、分類、圖像辨識等各種AI，來改善圖文資料品質和完整性。同時，打造各式各樣輔助C2C商家上架商品的科技，從源頭來提升品質。生成式AI崛起後，他們更把握機會，用於進一步強化商品上架技術。

用生成式AI降低業餘商家上架商品的門檻，從資料來源完善品質

賣家在eBay上架商品時，需要填寫不少欄位。尤其是高稀有度收藏品等，需要附上大量詳細資料的商品，會花費大量填寫時間，經驗較少的商家可能於此階段卡住。2023年年中，eBay就推出二代商品輔助上架功能，背後運用多模態生成式AI技術。

商家上傳商品圖片後，由AI分析圖片細節，結合eBay站上的分類邏輯及後臺商品資料庫，自動生成商品標題、描述、生產日期、分類、建議售價、建議運費等資訊。商家一個字都不用打，即可完成上架，eBay則可以獲得詳細、高品質的商品資料。

2024年，他們陸續推出更多商家用生成式AI功能，包括行動版上架輔助功能、批量上架功能、從自然語言描述來生成商品背景圖片的功能、商品圖片去背功能、社群媒體貼文生成功能等。時至今日，美國、英國、德國超過1,000萬名賣家，使用這些GenAI功能上架數億件商品，帶來數十億美元GMV（平臺交易額）。賣家對這些工具滿意度，更超過90%。

這些商家輔助工具還大幅提升新商家與重新活躍商家的數量。同時，上架流程完成率、平臺商品數量與每次商品上架的平均GMV，都有顯著成長。平均上架費時則顯著下降。不只如此，從源頭提升資料品質，使eBay更容易開發其他大數據應用。

發揮圖像類AI優勢打造多模態GenAI購物體驗，更擁抱AI代理購物潮流

eBay在顧客體驗領域應用生成式AI時，同樣發揮出自身長期耕耘圖像類AI的技術優勢。例如，他們用GenAI強化搜尋功能時，會同時運用圖片及文字資料。他們的生成式AI購物功能，更充分展現出圖像類AI技術長處。

eBay上的互動式服飾購物體驗「Shop the Look」，是一個全新的商品探索模式。系統利用生成式AI從顧客購物歷史分析可能喜好，再生成一系列穿搭範例圖。顧客可以點擊圖片上的不同元件，在eBay站上尋找相似商品。

今年，他們進一步擁抱AI代理購物潮流。年初，eBay宣布與OpenAI合作，開放後者的AI代理Operator能推薦eBay商品，甚至直接代為購買商品。

年中，eBay將代理式AI技術融入自家電商網站中。在顧客購買旅程不同階段，例如搜尋或瀏覽，電商介面會預測可能想知道的訊息，並跳出提示問句。顧客點選後，即能跳轉到聊天介面，與生成式AI購物助手透過自然語言，進行比價、詢問、推薦等對話。

用GenAI強化數位行銷及RMN經營

2024年報中，eBay寫到2025年一大目標是提升自家RMN廣告營收，降低站內站外第三方廣告占比。他們也用GenAI來為支援此策略。

eBay打造出賣家用RMN廣告儀表板，呈現廣告相關表現數據，並用生成式AI與AI來呈現相關分析、建議策略、趨勢洞察等資訊。

每周，他們還用AI生成數以百萬計的個人化電子郵件標題和預覽文字，用於商品推銷、購物車未結帳、商家近況更新等情境，使網站訪問轉換率增加40%以上。

不過，他們也沒放過用GenAI優化外部廣告的機會。投放Google商品列表廣告（Product Listing Ads）時，eBay利用GenAI優化商品標題，還用來檢測低品質商品圖片，替換為高品質的AI生成商品圖。eBay CEO Jamie Iannone表示，這些做法顯著提升廣告品質分數、排名和整體行銷表現，進而帶來更多GMV。

自建3兆Token的專屬LLM，下一步是從超大模型蒸餾出專用小模型以降低成本

除了前述應用，eBay還靠生成式AI強化客戶服務、資訊工程、支付等更多場景。為支援eBay超大規模資料處理及AI應用，他們於2024年大幅升級內部AI開發平臺Kyrlov，更用3兆個Token訓練出專屬的多模態、多語言LLM。

eBay自家AI平臺Kyrlov底層有4個小平臺，特徵平臺（Feature Store）、實驗平臺、訓練平臺及推論平臺。他們鎖定數個訓練平臺及推論平臺的痛點，導入新技術與做法來解決。

首先是專案硬體資源配給問題。過往在訓練平臺與推論平臺開啟新專案時，工程師須先設定固定的專案所需算力及記憶體。專案無法在資源不足時增加硬體，更無法釋出沒用到的資源，導致硬體利用率低。開始大規模發展硬體需求高的生成式AI專案後，此問題尤其顯著。

eBay解法是，改用系統自動配給硬體資源的模式。同時，規定一個GPU可以使用的記憶體上限、強化GPU多工能力、導入傳輸效率更高的資料串流技術，並採用優先級調度（Preemption）做法，讓更高優先度的推論作業，可以搶占低優先度開發作業的硬體資源。這一系列解法，提升2至4倍GPU數據吞吐量。

第二個痛點是CPU與GPU調度彈性。過往，eBay使用GPU節點，只會配置固定數量CPU。當eBay訓練或推論作業中，所需CPU數量大於節點上的GPU，就會降低作業效能，或需要啟用更多節點，但浪費GPU資源。

為增加彈性，他們導入分散式計算框架Ray的Remote CPU功能，得以調度更多外部CPU資源來支援，進而避免啟用更多節點，而導致GPU閒置。導入後，相關作業的GPU利用率提升4倍、單位時間數據吞吐量更提升7倍。

第三個痛點是訓練與推論作業所使用的開發語言不同，模型開發工程師使用Python，推論作業的工程師使用Java。這使他們需要花費高達一半開發時間，進行來回溝通、語言間轉換、邏輯改寫等作業。這次升級，他們將兩種開發流程使用的語言統一為Python，省去前述作業時間，更簡化了運算資源調度及整體作業流程管理。

今年，他們計畫再訓練更大、更成熟的模型。接著，從中蒸餾出多個小模型，根據專門用途微調，再投入實際應用。目前，他們已經在5個核心電商功能實驗，投入規模僅有原本模型1/8的小型模型，卻提升30%精準度，且延遲時間只剩1/10。