八年苦工練成超強多功能模型，Pinkoi靠AI實現超級個人化

跨境設計購物平臺Pinkoi提供各種設計商品，培育了許多小型設計師。鮮為人知的是，Pinkoi基底其實是一家軟體公司。2011年，Pinkoi共同創辦人因緣際會找上李讓一同創業，兼任技術長一職，一晃眼就過了將近13年。

近期，他們發表了自建AI模型，由625萬會員的72億筆行為數據、5.2萬設計品牌數據，以及110萬商品數據等資料訓練而成，是一個多功能的AI模型，可以根據不同用戶推播符合其個人風格的商品。一年內，Pinkoi藉AI促成至少三億元的訂單收入。

這個龐大的數字，背後倚賴的是Pinkoi的強大技術力。他們沒有採用整套式商用產品，而是自己從頭建立AI開發環境，篩選適用的演算法和開源服務導，自行訓練、部署而成。

八年前開始計畫導入AI

早在2015年，Pinkoi面臨了技術天花板，想要尋找突破口，決定導入AI來打造個人化商城，藉技術創新來支持企業的發展願景。

Pinkoi商城原先採用了規則式的推薦模式，由人工設定條件和演算法參數權重，再產出推薦結果。雖然當年這種技術還算堪用，但Pinkoi共同創辦人暨技術長李讓認為，規則式的推薦對複雜和未知情況的應對能力有限，最多再一兩年會達到天花板，唯有借助AI，才能進一步以更複雜的資料維度產生推薦，突破未來的技術瓶頸。

另一個Pinkoi非導入AI不可的關鍵原因，是為了支持企業的業務發展目標。以銷售各種設計商品為主的Pinkoi，2015年立下一個願景，要對用戶提供高度個人化的風格推薦。實現這項願景背後關鍵正是AI，「只有AI才能以上萬維度的標籤，區分出上億種人格，達到真正的個人化推薦。」李讓強調。

他解釋，規則式推薦以人工設定條件，分類數量有限，無法深入剖析用戶個人偏好，反之，AI藉由大量數據，可將分類的維度細分到幾萬種，才能更細緻地理解用戶需求。

決定擁抱AI後，Pinkoi盤點了市面上的現成解決方案，卻發現沒有一套方案能滿足Pinkoi的業務需求。Pinkoi是一家設計類垂直電商，光是商品分類就與一般電商大不同，而且消費者購買這類商品的動機和行為模式，更有別於一般消費性商品。最大的不足是，現成解決方案主要以同品類商品進行推薦，而不是以商品風格來推薦，無法達到Pinkoi期望AI達到的目標。

因此，Pinkoi走上了自建AI模型的道路。2015年，他們建立一支AI團隊，研究自建AI模型所需的準備工程，開啟了長達數年的開發歷程。

導入AI前期：汰換基礎建設、轉變數據應用

不同於常見的電商，Pinkoi主打設計類商品，業務需求特殊，當時沒有先例可循。這個情況，讓自建AI模型這條路難上加難。

李讓稱2015年至2017年是一段試錯、踩雷的過程。起初，Pinkoi意識到發展AI需要重建開發環境，第一個面臨的挑戰就是汰換基礎建設。

Pinkoi原先採用的傳統Web開發的基礎建設，和AI的開發環境完全不同。李讓以資料庫為例，傳統Web開發採用的是OLTP系統，而大數據開發環境需要的是OLAP系統，或像是大數據處理工具，AI開發常用Spark處理大數據，這也同樣不是Web開發環境所用的工具。

2015年，Pinkoi開始逐步翻新基礎建設，為AI搭建一套開發環境，包含導入Spark進行資料處理，在ML開發環境上採用Jupyter Notebook，供開發人員使用Python進行各種運算。而在硬體設備上，當時已從原先設置在合夥人家中的機房，轉而全面上雲，在AWS EC2上部署所有基礎建設。

第二個面臨的挑戰，則是數據應用思維的轉變。一開始，Pinkoi只以訂單資料來打造AI模型，卻發現，推薦效果還不如規則式模式的精準度。因此，Pinkoi開始建立大數據資料庫，隨後更導入使用者行為追蹤機制，包括伺服器端追蹤機制和用戶端追蹤機制，進一步取得更詳細的用戶行為資料。

不只取得更豐富的資料就好，Pinkoi還建立了一套自動化偵測系統，能夠自動修復因網頁機器人操作產生的惡意資料，確保資料穩定性。「資料最重要，演算法是其次。」李讓指出，除了建立基礎建設，導入AI前期更重要的是資料。一方面逐漸累積更多資料量，另一方面，團隊也逐漸摸索出自家AI模型的架構。

AI發展期：發展多個AI模型並實際落地

Pinkoi的AI模型原先以推薦功能為主，經過幾次的模型版本迭代後，模型可以針對商品、消費者行為、消費者人際關係，以及商家過往的表現來貼標、分類，再用這些標籤來強化自身的推薦功能。

模型的貼標功能主要鎖定三個面向產生標籤，分別是商品和商品、商品和人，及人和人間的關係。李讓解釋，很多用戶興趣相似，AI先靠用戶間的相似行為，來理解人和生活風格的關係，再從特定一群人與平臺的互動行為，包含點擊、收藏、停留時間等使用者旅程，理解商品和不同風格間的關係，最後可以從購買的多種商品中，進一步來理解商品和商品間的風格相似性。

到了2017年，Pinkoi的AI模型已經能夠自動對商品貼標。同年，公司內部開始將AI實際落地到每一個產品線，提供商品排序功能、搜尋功能。不過，團隊在部署AI時，面臨兩大挑戰。

第一個挑戰是AI團隊和基礎設施團隊彼此更需要緊密合作。專注於演算法的AI團隊不僅需要專業IT人員協助部署模型、資料庫和機器，也需要維運團隊協助控管流量，提升運算能力和解決爆量問題。

因此，Pinkoi為AI開發團隊和基礎設施團隊訂定相同發展計畫， 讓兩支團隊的目標一致，增加團隊協作意願，「有效推進公司發展AI的重要一步。」李讓表示。

另一個挑戰是，開發AI產品的思維和以往大不相同。李讓解釋，過往採用規則式模式，軟體工程師只要設定特定條件，就可以符合業務需求。但是，AI是以自動化的方式產生推薦規則，不僅要建立完善的反饋迴圈（Feedback Loop），也需要設定正確的追蹤機制，軟體工程師若不熟悉AI的運作機制，就無法協助產品導入AI。因此，Pinkoi以商品功能分組，組成了幾隻小型開發團隊，由AI團隊支援各團隊的開發工作，針對產品功能、數據需求開發合適的AI產品。

攝影／洪政偉

AI發展漸成熟：一個互動就能建立上萬維度標籤

到了2019年，Pinkoi的AI模型發展更成熟了，用戶進入Pinkoi網站後，一個互動，AI模型已經有能力建立上萬維度的標籤。模型產生的標籤分為兩類，長期「購物人格」和短期「即時動機」類標籤。購物人格是由價值主張、興趣、地域性文化、風格等4種分類標籤組成，屬於長期較不會改變的性格標籤，即時動機則包含了節日送禮、季節需求等可以反映短期消費目的的標籤。

模型分析使用者行為資料，逐漸歸納每個使用者長期偏好，讓推薦結果個人化，並隨著用戶長時間使用，蒐集更多行為數據，產出更精準的推薦。甚至，Pinkoi不必被動等待消費者表明造訪網站動機，可以主動推薦合適商品和品牌給消費者。

由於模型能將即時動機納入考慮，就算是兩名顧客瀏覽行為完全一樣，也能個別推薦不同商品，還能反應特定時期消費行為較偏差的情況，不會因此影響模型解讀能力。例如，疫情時期大眾消費行為不同以往，模型能因應這項變化，不會受到短期偏差行為數據，而影響了模型判斷力。

憑藉AI模型自動貼標的強大能力，Pinkoi在2019年推出了結合AI的零售廣告聯播服務（RMN）。李讓表示，這項服務採取使用者優先的原則，不是推播付費較多的廣告，而是站在使用者角度，推播符合他個人風格的商品。這是AI才能做到的業務目標。

不同一般以價高者得標的RMN服務，Pinkoi的RMN優先考慮品質分數，達到一定分數後，才能進入排序。品質分數來自商品與用戶間的風格匹配度。Pinkoi強調出價金額只是推薦條件的其中一個參數，因此，即便商家出價高，也未必能獲得推薦第一順位先曝光，甚至風格匹配差異度很大，導致品質分數過低時，高價廣告甚至未必能進入排序階段。

開始發展多模態多功能AI模型，讓企業所有人員快速導入AI

投入AI發展5年多，到了2020年時，Pinkoi已是一間高度應用資料和AI的公司，不過，隨著模型數量越來越多，開發人員需同時顧及多種模型，AI的迭代速度又逐漸開始慢了下來。

先前是由AI開發團隊和基礎建設開發團隊（資安、基礎設施、數據平臺）扮演業務團隊導入AI的支援角色，負責協助業務打造AI應用。這個工作模式大大增加了團隊的工作量，可是人力有限，無法快速的支援各種客製化需求。例如，每當有一種情境需導入AI，就需要一名開發人員支援，還可能得根據業務情境做客製化修改，耗費開發人員不少時間。

Pinkoi開始將多個不同功能的模型，收攏成一個多功能多模態的AI模型，捨棄讓開發團隊透過一個平臺調度多個AI模型的運作方式。他們計畫讓單一模型提供多個服務，在模型中加上一層抽象化界面，讓使用者無須理解複雜的模型細節，也能輕鬆與模型互動。

如此一來，便能協助減輕開發人員的工作量，解決模型遺漏資料的狀況。但Pinkoi的野心不僅於此，他們更立下了AI Everywhere的願景，計畫透過API串接，讓公司內部所有人員能在業務情境中輕鬆導入AI，不需再依賴工程人員協助開發AI產品。

八年來，AI模型歷經多次版本迭代，Pinkoi一邊做，也一邊觀察AI技術浪潮，選擇導入能提升模型能力，也能符合業務目標的技術。例如，Pinkoi也導入了爆紅的LLM模型。李讓說明，他們不是因為LLM的自然語言對話能力，而是看上了它可以提升模型對文本的理解能力，可以讓他們對商品敘述有更高掌握度。

近期，Pinkoi終於正式對外發表「生活風格AI模型」，集結八年心血，應用了自然語言處理、電腦視覺、圖學模型、深度學習等技術。他們更加強了模型分類能力，讓工程人員更容易提取不同標籤分類，開發不同類型的推薦功能。此外，模型也能提供自動化廣告RMN行銷方案規畫，以及呈現個人化商家商城頁面等功能。

「AI不是一種嘗試，而是一項投資。」李讓道出這八年來自建AI模型的體悟。他認為，導入AI無法在短時間內見效，勢必得投入資源、時間，甚至是多次試錯，才能成功導入。

除了繼續發展AI無所不在的戰略，將多個模型發展為多功能多模態AI模型，讓全公司所有人能快速、輕鬆應用AI，Pinkoi下一步，是要讓這套AI模型可以參考更多即時行為數據，當收到用戶互動，模型可以即時反應，在幾秒內納入更多即時行為數據，產出更快、更精準的商品推薦。

 CTO小檔案 

Pinkoi共同創辦人暨技術長 李讓

學歷：交通大學土木工程碩士

經歷：畢業於交通大學土木工程研究所，當完兵後卻回金門自己創業，開起複合式冰品店，從中累積許多創業經驗，後來因自行專研程式開發技術並經營技術部落格，而因緣際會認識另一位Pinkoi合夥人，在2011年與合夥人共同創立Pinkoi並擔任技術長至今。112年傑出資訊人才獎得獎人。

 公司檔案 

圖片來源／Pinkoi

Pinkoi

地址：臺北市大同區承德路三段二八五之二號二樓之2

成立時間：2011年

主要業務：跨境設計購物平臺

 資訊科技單位檔案 

單位名稱：產品開發部

主管職稱：技術長

主管姓名：李讓

人數：80人

分工：分成應用程式開發、AI開發團隊、基礎建設開發（包含基礎設施、資安、數據平臺）

 IT大事記 

2011年：Pinkoi設計商品購物網站成立

2015年：開始自組數據團隊、建立原生AI模型

2017年：開始將AI實際落地到產品線（商品排序、商品推薦、搜尋等）

2019年：AI模型發展相對成熟、推出RMN服務

2020年：公司內部高度應用資料和AI

2023年：對外發表「生活風格AI模型」、開始將多個AI模型發展為多功能多模態模型