在过去的三年中，跨国美容公司Belcorp应对了疫情、消费者行为转变、供应链中断和通货膨胀等因素带来的诸多挑战。为了应对这些挑战，Belcorp公司利用了计算机视觉、神经网络、自然语言处理和模糊逻辑等多种技术。
Belcorp公司首席数字、数据和技术官Venkat Gopalan表示：“这些情况给我们整个业务价值链带来了不确定性。因此我们发现，必须在新产品开发过程中提高敏捷性和灵活性，同时保持效率、安全和产品质量的高标准。”
Belcorp公司采取的是直销模式，在全球14个国家或地区开展业务。Belcorp公司旗下品牌包括ésika、L’Bel和Cyzone，产品涵盖护肤品、彩妆和香水等。在面对困难的时候，研发部门指出，如果能够缩短研发实验室的实验测试时间，则可以显着加快产品上市并提高产品开发过程的生产率。
Gopalan表示：“实验和测试阶段极大地影响了概念化和推出新产品的迭代过程。”
研发实验室会产生大量的非结构化数据，这些数据是各种格式存储的，难以访问和追踪，这反过来导致他们需要一系列手动流程对测试结果进行描述性分析。
为此，Belcorp搭建了一个新的AI创新实验室平台，Gopalan表示：“这个计划的主要目标可以概括为首先旨在将我们的产品开发时间缩短20%；其次，我们正在努力把实验室部门的生产力提高60%；最后，我们的目标是在不影响产品安全的情况下，把消费者风险评估周期缩短80%。”
打造AI Innovation Lab Platform
Belcorp分两个主要阶段开发了该平台。初始阶段是建立数据架构，从而能够更有效、更系统地处理数据。
Gopalan表示：“我们把实验室数据——包括安全性、感官功效、毒理学测试、产品配方、成分成分以及皮肤、头皮和身体诊断和治疗图像——传输到我们的AWS数据湖中，这让我们能够更轻松地获得洞察。”
第二阶段的重点，是构建算法和模型来预测和模拟复杂的生物条件，加速发现，降低风险，并利用AI解决方案优化技术开发的成本效益比，这个阶段团队主要依靠数据科学家和生物科学家的专家支持。
“这些算法是构建在先进的分析自助服务平台之上的，增强了我们数据建模、培训和预测流程的敏捷性，”Gopalan解释说。
向高管推销项目
Gopalan指出，团队考虑使用第三方SaaS构建该平台，但由于研发部门的独特要求以及计划的广度和性质，最终决定采用定制的解决方案。当团队把人工智能创新实验室的计划提交给高管团队进行审批的时候，团队展示了计划启动的五个用例，以及相关的潜在价值和成本。
Gopalan表示：“商业案例研究强调了这如何让我们能够提高配方的安全性、有效性和性能，以及如何转化为更好的上市时间和运营成本节省。为了支持这一点，我们提供了有数据支持的证据和示例，证明了利用这些技术能够带来的积极影响。”
Gopalan表示，有效传达潜在收益、展示明确的投资回报率、解决任何潜在挑战，这是赢得项目领导团队认可和支持的关键。
创建跨职能团队
团队聘请了来自研发、技术、工厂和供应链部门的专家，以全面了解项目的需求。该团队花了大约六个月的时间构建和测试平台架构和数据基础，然后在接下来的六个月内开发各种用例。
“交付是分阶段进行的，每个阶段的复杂性都会增加，值得注意的是，每项举措都有独特的复杂性，例如不同的数据大小、数据种类、统计和计算模型、数据挖掘处理要求等等。因此，挫折或意外是很常见的，一出现我们就要应对。使用非典型数据也说明了这样一个现实：遇到挑战是我们日常运营的一部分。”
成功道路上的阻碍
Gopalan表示，作为CIO，他面临的最大障碍是来自研发流程和外部数据库的大多数数据的广泛性和非结构化特征，项目所需的特定人才（包括生物科学家、生物信息学专业人员、技术专家和数据科学家），以及确保新平台被接受所需的文化上的转变。
他说，为了应对第一个挑战，团队把精力集中在自动化和清理不同的数据源和格式上，以获得足够高质量的数据来支持强大的分析。他们利用数据挖掘技术从23个国际公共基准数据库中抓取和编译模型数据，并将其与2016年以来内部生成的数据进行比较。
为了应对第二个挑战，Belcorp公司聘请了新人才来弥合不同团队之间的知识差距，并建立了一个技术中心，招募一流的数据科学家和数据工程师来协助项目的设计和实施。Gopalan指出，数据和技术团队需要多个领域的专业知识和实践知识，这包括：
- 理解每个用例的数据、生物过程和业务目标的实验室流程
- 用于高效编排和连接端到端流程中使用的数据和各种平台的数据架构
- 先进的分析和人工智能来开发预测解决方案
- 软件开发创建定制插件和网络应用，为研发分析师提供可视化界面
- 数据能力人才培训，确保最终用户能够充分利用平台。
- 最后一个障碍，是解决因消除许多实验室手动流程而导致的文化变革。
“为了克服这个问题，我们对实验室分析师进行了关于如何使用平台的培训，并进行了初期试点用例以收集反馈。在此基础上，我们进行了迭代更改，对平台和用户体验进行微调。此外，我们通过一系列研讨会和演示，向最终用户简洁地传达了平台的价值和好处，从而确保了该平台能够被用户采用。”
如今AI Innovation Labs Platform平台已经全面部署，迄今为止交付了12个用例，而且Gopalan表示，这些用例都已经取得显着的成果。他指出，通过减少实验室测试、配方、外部软件许可和活动优化可以节省成本。
“该项目的投资回报率高达432%，”他补充说。
他表示，这个项目不仅实现了预期的成果，还带动了研发的数字化转型。
“通过该项目的实施和对数据驱动洞察的探索，我们对产品开发流程和客户需求有了更深入的了解，这为发现创新和业务增长的新途径打开了一扇大门，让我们能够发现并寻求以前未开发的更多机会。”
洞察总结
Gopalan表示，开发AI Innovation Labs Platform让他对涉及人工智能和分析的成功数字化转型有了五个关键洞察：
- 拥抱数字化转型的复杂性。转型是一个复杂的过程，错误是不可避免的。他说：“与其被这些错误吓倒，不如将其视为学习和坚持数字化之旅的机会。”
- 遵循以价值为中心的策略。把你的精力和资源都集中在有潜力产生重大价值的领域：快速扩展高优先级的用例，停止不成功的实验，以季度为里程碑进行定期评估。
- 重新构想业务流程。只有重新构想和改造现有业务流程，才能真正发挥数字化转型的优势。
- 启动早期有影响力的信息传递。一个引人注目的成功故事，得到高管团队的认可和先导用例的推动，对于赢得组织和最终用户的支持是至关重要的。
- 认识到人才的重要性。确定必要的技能和能力，并在恰当的时间给恰当的人员安排恰当的角色，这对取得成功是至关重要的。
