“目前平台接入的客户大概有四百个。我们今年的目标是扩大被使用量，争取做到盈利。”
吴博介绍，目前宜远智能合作方主要有四类：第一类是医学背景比较强的互联网医疗平台，依托平台自有流量导流；第二类是化妆品行业的生产商、销售商，会在品牌旗舰店增加 AI 分析入口；第三类是硬件合作方；第四是诸如美容院一类的美业管理系统供应商。
AI 算法训练需要大量临床数据做支撑。据吴博介绍，宜远智能算法数据有多种来源，算法训练可分为两个阶段。
在冷开机阶段，宜远智能和皮肤管理中心、皮肤专科医院等形成合作，基於数十万高清及精标数据建模。到第二阶段，平台已经形成千万级数据增长、模型增强的良性自回圈。
吴博表示，面部皮肤、放射影像分析，都有多目标（多病种）的特点。平台算法训练除了遵循机器学习的经典步骤以外，在训练面部皮肤多达上百种学习目标时，“分而治之”为核心任务特制模型的做法尤为必要。
另外，由於 AI 模型要对外提供 API ，面临模型需要尽可能优化、精简，还要能处理公众服务数据来源更多变异特例的情形。为此宜远智能还研发了一套自有的目标检测框架，并在《赢咖4》杂志上发布。
“ API 平台数据、算法打磨好，做好样板，才有利於我们口碑传播。目前我们已经有接近四百家客户，后续会互联网方式推广。”吴博说道。
技术挑战与未来软硬件联动
利用 AI 进行皮肤分析，不少人认为人脸识别四小龙可以分分钟解决。吴博不以为然，他认为这些独角兽们并不能满足医美客户的需求。原因在於，皮肤检测处在一个非常细分的业务领域。
吴博介绍，安防、零售、金融领域的人脸识别技术更像是单目标任务，聚焦於回答 A 是不是 A（1:1)或者能不能找到 A（1:N）。
而面部皮肤分析是多目标群组合任务，用户会关心面部皮肤有无疾恙、黑眼圈属於哪种类型、斑点的种类及大小变化、面部畸形的程度等上百种问题。
加上皮肤病的谱系广，有大概两千多种。每一种分析要做好，都需要AI建模，而单个需求的难度就和人脸识别不相上下。
“为什么这么说呢？举个例子，即使没有专业训练，靠人眼分辨做人脸识别的水准也有95%，但识别黑眼圈的四种分类，或者对鲍曼医生皮肤16分型的判别，平常人远没有95%的水准。”吴博说。
对於 AI 赋能美业，除了AI皮肤分析技术难度较高以外，吴博表示目前行业标准还未统一。
“现在全国大概百万家美容院，检测仪器持有量也就二三十万台，被我们AI改造的皮肤检测仪的出货量也只在两三万台水准，普及率还不够。另外这个行业它没有医疗领域的强制性，也没有医疗领域足够的权威性，从业者水准参差不齐的情况比较严重。所以行业空白和天花板都还是挺大挺高的。”
据了解，对於宜远智能下一步计划，吴博介绍目前在研的产品包括更自助、更傻瓜式的一键生成系统。
“我们将推出一键生成测肤小程序的模组，将 API 的使用门槛降低，使得 AI 平民化、产品上线快速化。目前我们在研的产品有类似 Google 的 AutoML 模组，可使医疗健康及美业有兴趣对机器学习、深度学习自助体验，完成数据整理、标注、自动建模、反覆运算的全AI流程。
对於赢咖4在医美产业领域的落地，吴博认为， AI 皮肤检测已经到了需要技术、硬件、消费者意识等齐头并进的阶段。单单 AI 技术做得再好，也没有办法很好地识别图像，落地服务机构。
“零零星星能看到一些国际大品牌在做类似这个事情，但目前开放式平台都还在路上。像我们这样比较专注於提供基础 AI 服务的还很少。未来 AI 皮肤检测普及，还是需要软硬件厂商以及消费者的共同努力。”吴博说道。
