在過去的三年中，跨國美容公司Belcorp應對了疫情、消費者行為轉變、供應鏈中斷和通貨膨脹等因素帶來的諸多挑戰。為了應對這些挑戰，Belcorp公司利用了計算機視覺、神經網絡、自然語言處理和模糊邏輯等多種技術。

Belcorp公司首席數字、數據和技術官Venkat Gopalan表示：“這些情況給我們整個業務價值鏈帶來了不確定性。因此我們發現，必須在新產品開發過程中提高敏捷性和靈活性，同時保持效率、安全和產品質量的高標準?！?/p>

Belcorp公司采取的是直銷模式，在全球14個國家或地區開展業務。Belcorp公司旗下品牌包括ésika、L’Bel和Cyzone，產品涵蓋護膚品、彩妝和香水等。在面對困難的時候，研發部門指出，如果能夠縮短研發實驗室的實驗測試時間，則可以顯著加快產品上市并提高產品開發過程的生產率。

Gopalan表示：“實驗和測試階段極大地影響了概念化和推出新產品的迭代過程?！?/p>

研發實驗室會產生大量的非結構化數據，這些數據是各種格式存儲的，難以訪問和追蹤，這反過來導致他們需要一系列手動流程對測試結果進行描述性分析。

為此，Belcorp搭建了一個新的AI創新實驗室平臺，Gopalan表示：“這個計劃的主要目標可以概括為首先旨在將我們的產品開發時間縮短20%；其次，我們正在努力把實驗室部門的生產力提高60%；最后，我們的目標是在不影響產品安全的情況下，把消費者風險評估周期縮短80%?！?/p>

打造AI Innovation Lab Platform

Belcorp分兩個主要階段開發了該平臺。初始階段是建立數據架構，從而能夠更有效、更系統地處理數據。

Gopalan表示：“我們把實驗室數據——包括安全性、感官功效、毒理學測試、產品配方、成分成分以及皮膚、頭皮和身體診斷和治療圖像——傳輸到我們的AWS數據湖中，這讓我們能夠更輕松地獲得洞察。”

第二階段的重點，是構建算法和模型來預測和模擬復雜的生物條件，加速發現，降低風險，并利用AI解決方案優化技術開發的成本效益比，這個階段團隊主要依靠數據科學家和生物科學家的專家支持。

“這些算法是構建在先進的分析自助服務平臺之上的，增強了我們數據建模、培訓和預測流程的敏捷性，”Gopalan解釋說。

向高管推銷項目

Gopalan指出，團隊考慮使用第三方SaaS構建該平臺，但由于研發部門的獨特要求以及計劃的廣度和性質，最終決定采用定制的解決方案。當團隊把人工智能創新實驗室的計劃提交給高管團隊進行審批的時候，團隊展示了計劃啟動的五個用例，以及相關的潛在價值和成本。

Gopalan表示：“商業案例研究強調了這如何讓我們能夠提高配方的安全性、有效性和性能，以及如何轉化為更好的上市時間和運營成本節省。為了支持這一點，我們提供了有數據支持的證據和示例，證明了利用這些技術能夠帶來的積極影響。”

Gopalan表示，有效傳達潛在收益、展示明確的投資回報率、解決任何潛在挑戰，這是贏得項目領導團隊認可和支持的關鍵。

創建跨職能團隊

團隊聘請了來自研發、技術、工廠和供應鏈部門的專家，以全面了解項目的需求。該團隊花了大約六個月的時間構建和測試平臺架構和數據基礎，然后在接下來的六個月內開發各種用例。

“交付是分階段進行的，每個階段的復雜性都會增加，值得注意的是，每項舉措都有獨特的復雜性，例如不同的數據大小、數據種類、統計和計算模型、數據挖掘處理要求等等。因此，挫折或意外是很常見的，一出現我們就要應對。使用非典型數據也說明了這樣一個現實：遇到挑戰是我們日常運營的一部分?！?/p>

成功道路上的阻礙

Gopalan表示，作為CIO，他面臨的最大障礙是來自研發流程和外部數據庫的大多數數據的廣泛性和非結構化特征，項目所需的特定人才（包括生物科學家、生物信息學專業人員、技術專家和數據科學家），以及確保新平臺被接受所需的文化上的轉變。

他說，為了應對第一個挑戰，團隊把精力集中在自動化和清理不同的數據源和格式上，以獲得足夠高質量的數據來支持強大的分析。他們利用數據挖掘技術從23個國際公共基準數據庫中抓取和編譯模型數據，并將其與2016年以來內部生成的數據進行比較。

為了應對第二個挑戰，Belcorp公司聘請了新人才來彌合不同團隊之間的知識差距，并建立了一個技術中心，招募一流的數據科學家和數據工程師來協助項目的設計和實施。Gopalan指出，數據和技術團隊需要多個領域的專業知識和實踐知識，這包括：

• 理解每個用例的數據、生物過程和業務目標的實驗室流程
• 用于高效編排和連接端到端流程中使用的數據和各種平臺的數據架構
• 先進的分析和人工智能來開發預測解決方案
• 軟件開發創建定制插件和網絡應用，為研發分析師提供可視化界面
• 數據能力人才培訓，確保最終用戶能夠充分利用平臺。
• 最后一個障礙，是解決因消除許多實驗室手動流程而導致的文化變革。

“為了克服這個問題，我們對實驗室分析師進行了關于如何使用平臺的培訓，并進行了初期試點用例以收集反饋。在此基礎上，我們進行了迭代更改，對平臺和用戶體驗進行微調。此外，我們通過一系列研討會和演示，向最終用戶簡潔地傳達了平臺的價值和好處，從而確保了該平臺能夠被用戶采用?！?/p>

如今AI Innovation Labs Platform平臺已經全面部署，迄今為止交付了12個用例，而且Gopalan表示，這些用例都已經取得顯著的成果。他指出，通過減少實驗室測試、配方、外部軟件許可和活動優化可以節省成本。

“該項目的投資回報率高達432%，”他補充說。

他表示，這個項目不僅實現了預期的成果，還帶動了研發的數字化轉型。

“通過該項目的實施和對數據驅動洞察的探索，我們對產品開發流程和客戶需求有了更深入的了解，這為發現創新和業務增長的新途徑打開了一扇大門，讓我們能夠發現并尋求以前未開發的更多機會。”

洞察總結

Gopalan表示，開發AI Innovation Labs Platform讓他對涉及人工智能和分析的成功數字化轉型有了五個關鍵洞察：

• 擁抱數字化轉型的復雜性。轉型是一個復雜的過程，錯誤是不可避免的。他說：“與其被這些錯誤嚇倒，不如將其視為學習和堅持數字化之旅的機會?！?/li>
• 遵循以價值為中心的策略。把你的精力和資源都集中在有潛力產生重大價值的領域：快速擴展高優先級的用例，停止不成功的實驗，以季度為里程碑進行定期評估。
• 重新構想業務流程。只有重新構想和改造現有業務流程，才能真正發揮數字化轉型的優勢。
• 啟動早期有影響力的信息傳遞。一個引人注目的成功故事，得到高管團隊的認可和先導用例的推動，對于贏得組織和最終用戶的支持是至關重要的。
• 認識到人才的重要性。確定必要的技能和能力，并在恰當的時間給恰當的人員安排恰當的角色，這對取得成功是至關重要的。