、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
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。