、创新与技术方面的探索同样硕果累累。
自2012年以来,欧莱雅一直经营着自己的科技孵化器项目。2019年,欧莱雅集团提出“全球首家美妆科技公司”的目标,以美容与技术的交汇点作为主干思路,聚焦增强现实、虚拟现实、大数据、人工智能等新科技。
本文梳理了欧莱雅的的科技孵化器项目,以及包括皮肤数字化诊断在内的一系列AI应用方向。
欧莱雅的技术孵化器
欧莱雅公司的首个孵化器实验室建于新泽西州,此后又陆续在旧金山、巴黎以及东京开设了其它实验室。这些实验室专注于少数特定产品——例如结合应用、可穿戴设备以及配套装置,共同实现化妆器械联网并以定制化调整满足客户的特定需求。各孵化器实验室与企业家及学术界能力合作,致力于利用技术开发出最新、最科技的产品。
Makeup Genius
2015年,孵化器项目推出了一款APP,叫做Makeup Genius。想必大家对这种“试妆”类别的移动应用不会陌生,主要借助增强现实技术,让用户在购买产品之前就可以看到自己面部使用产品后的妆容效果。
操作也很方便,用户只需上传自己的面部图像,或者直接使用设备相机,即可体验化妆品,还可以利用滑动功能比较产品使用前后的差别。
智能发梳
孵化器项目推出的另一款产品,是一款智能发梳,与智能技术制造商Withings and Kérastase(欧莱雅公司的高端护发品牌)合作开发。这款发梳配备电导率传感器、加速度计、陀螺仪、麦克风、蓝牙以及Wi-Fi连接,用以收集技术指标并将其上传至算法处,算法能够利用这些信息针对每个人提供最佳护理方式和个性化产品建议,旨在帮助消费者更轻松地养护头发。
欧莱雅生产设施中的技术
除了传感器、相机以及激光器之外,IBM的Watson物联网平台也为欧莱雅带来了能够应对工业4.0挑战与机遇的新型生产设施。如今,客户的要求越来越高——他们希望有最适合自己的配方解决具体问题,或者满足个人喜好。而IBM技术的介入,帮助欧莱雅的生产设施迎来更高的响应能力与敏捷性,有望逐步满足这些韧性于个人的需求。
Facebook Messenger Bot
为了在会话当中贯彻欧莱雅公司的营销信念,美妆巨头还与Automat Technolgies合作推出了Facebook Messenger Bot,用于同客户进行更具个性化的对话(并最终促成销售)。
该聊天机器人由人工智能驱动,能够以对话的方式与客户沟通,并引导消费者在轻松交流之余表达自己的个人偏好。
该公司首席数字官Lubomira Rochet在采访中表示,“我坚信AI技术与互联网本身一样伟大。”
简化招聘与雇佣流程
欧莱雅公司还将人工智能引入自身招聘与雇佣流程当中。作为一家每年开放约15000个职位的大型企业,欧莱雅需要处理近百万份申请,因此其开始尝试利用AI技术帮助员工摆脱令人头痛的简历筛选。
Mya是一款聊天机器人,它能够处理候选人提出的问题,从而在招聘早期帮助欧莱雅节约大量宝贵的时间。此外,它还能够检查各项重要细节,例如求职者是否尚未找到工作,以及签证的当前状态等。
接下来,求职者需要面对Seedlink,这款AI软件负责评估他们在开放式面试问题中给出的答案。这款工具能够找到在简历审阅过程中被忽略的求职者。
该公司招聘人员表示,在一次从12000名候选人中选出80名实习生的过程中,该软件帮助他们节约了200个小时的工作时间。
AI支持皮肤诊断
通过对AI/AR厂商ModiFace公司的收购,欧莱雅如今获得了通过现场视频提供美容产品试用模拟的新型技术工具,可为客户提供皮肤诊断方案。在收购当中,Rochet通过声明指出,“凭借着收购ModiFace,我们开启了欧莱雅公司的第二阶段数字化转型,即专注于通过语音、AR以及AI等技术重塑美容体验。”
利用深度学习技术,该工具利用ModiFace的AR功能配合欧莱雅的照片数据库、皮肤老化专业知识与皮肤老化映射集,能够在女性消费者将自拍照上传至公司网站后提供个性化的产品使用指导。在2019年初以Vichy SkinCounsultAI产品的形式在加拿大推出之后,这套方案将在今年年内实现全球上市。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。