你可以投资于人工智能的成熟和未来的能力，或者你可以“快速取胜”的表面层次的人工智能应用，有相对短期的，狭窄的ROI。
但你不能同时拥有两者。
无论是好是坏(通常是后者)，人工智能解决方案都是通过承诺短期价值来销售的——这几乎与企业广泛实现人工智能所需的核心人工智能成熟发展不相符。
今天,AI成熟的要素(例如，数据基础设施、发展创新文化、培养内部数据科学人才等)通常被定义为采用障碍、障碍或挑战。然而，如果做得好，就会经验教训由人工智能项目构建的成熟度成为组织的一个新的能力层，并投资于解锁未来的人工智能价值。
我们创建了Emerj AI项目象限，以帮助领导者最大化近期和长期价值，并与他们自己的利益相关者或客户沟通两者之间的微妙平衡——这是一个关键方面为人工智能项目设定预期．
EMERJ AI项目象限 - 概述
y轴是近期的ROI，这基本上是一个人工智能项目的可见价值。x轴是转型，或构建关键能力，以实现人工智能的成熟和解锁未来的人工智能价值。
图中蓝色阴影部分表示所有可能的人工智能项目。注意，这个蓝色区域只包括象限1、3和4的一部分，不包括象限2。这是因为任何一个人工智能计划都无法产生(a)人工智能成熟度的巨大改善，以及(b)显著的短期ROI。这两者在许多方面是内在对立的。
短期投资回报率需要关注表面层面的问题，并提供相对即时的基于人工智能的解决方案。它通常是关于避免转换和AI成熟。
转换需要专注于构建新功能(而不是简单地“旋转”一个可能成为技术债务的解决方案)。这是关于超越表层应用，建立一家公司以获得长期的人工智能优势。
这四个象限代表人工智能项目的分类或类别，这些项目具有短期价值和人工智能成熟度的特定组合。下面，我们将深入探索每一个象限。
象限1 -即插即用
包含预培训(或大部分预培训)的AI供应商解决方案和api支持的AI工具。
绝大多数人工智能项目都不是即插即用或it类的。绝大多数的人工智能应用都涉及使用我们自己的专有数据，根据我们自己的业务特有的信息训练模型。大多数时候，听到“即插即用”的买家应该持怀疑态度。
然而，有些问题只需要很少的训练，或者几乎不需要训练就能很好地解决。例如:
- AIDoc.com开发基于医疗人工智能的决策支持软件。当有人去做胸部x光检查时，该公司会将图像导入云端，并使用预先训练过的人员计算机视觉算法来检测是否有任何异常，如癌症生长。然后，该公司将带有高亮区域的新图像发送回放射科医生的工作流程中，放射科医生将对图像进行解释。
- 亚马逊的NLP API理解另一个例子是对客户服务信息进行情感评分。它的使用并没有真正的转变，也没有真正的AI成熟度的发展。通过简单地将Amazon api连接到现有数据流，最终用户可以确定给定文本数据语料库中的情感或实体。
一家致力于使用计算机视觉来检测非常专业的金属部件缺陷的制造公司将不能使用现成的解决方案，而是需要根据自己的数据进行培训，定制供应商的解决方案——或者从头开始构建整个解决方案。
即插即用解决方案提供了一个极好的机会，可以缩短采用人工智能的“困难部分”——但它们没有提供任何学习和能力建设的好处更强大的人工智能部署。因此，只有当(a)问题适合预先训练过的系统，(b)问题不能保证在数据基础设施和人工智能成熟方面进行更稳健的长期投资时，才应该选择表面层次的即插即用工具。
我们的人工智能市场研究顾问和播客嘉宾之一，作者Nishant钱德拉，指即插即用项目就像在一项技术“披萨”上再加一层“配料”。它们只是在水面上玩耍。为了实现转型，为了让企业真正变得更有人工智能能力，他们需要考虑把人工智能放进他们的技术和产品栈中，更像一个“千层面”。
Nishant的第一集非常受欢迎金融服务播客中的人工智能分析了表面层面和变革性AI采用之间的一些关键区别:
何时进行象限1的项目
- 您的问题是一种商品，不需要使用您自己的专有数据。例如，在你的监控录像中检测人或车辆对你的监控摄像机来说并不是一个独特的挑战，许多供应商已经训练了模型来解决这个问题的版本。
- 开发数据基础设施来解决这个特定问题几乎没有任何好处(参见上面的安全摄像机示例或AIDoc示例)。
象限2 -蛇油
包含几乎没有。几乎没有一个单独的人工智能计划能够同时提供近期的人工智能ROI和人工智能成熟和转型的健壮发展。
有了正确的人工智能的路线图和人工智能转换视觉，企业有可能选择的人工智能项目
它是不既能获得即插即用API工具的直接价值，又能从更深层次的AI集成中获得强大的转换好处——这两者根本无法在同一个包中并存。象限三(以下)提供了两者之间的现实平衡，但象限二基本上是不可能的。
大多数供应商甚至不会试图把自己框框在第二象限，因为大多数夸大其解决方案的便利性和好处的供应商只强调短期的财务利益，而完全忽略了战略和人工智能成熟的利益的现实。也就是说，那些既承诺构建人工智能能力，又承诺立即实现财务投资回报率的公司，都处于“蛇油象限”(Snake Oil Quadrant)，不值得信任。
这是我的工作人工智能催化剂-无论是外部的人工智能顾问还是内部的项目负责人-对项目的结果诚实和坦率，并沟通人工智能采用的动态，以确保与利益相关者和预算提供者的期望一致。
什么时候进行象限二的项目
- 不喜欢。相反，要构建一个强大的人工智能路线图，既有短期ROI，也有长期能力——并沿着这条轨迹构建具有现实预期的单个项目。避免过分吹嘘任何单一计划的各种好处，不要期望任何直接的、表面的应用程序本身能产生长期的转换价值。
象限3 -平衡
包含大多数涉及人工智能供应商平台和解决方案的项目。通常需要使用自己的数据，以及某种程度的集成和工作流更改。
大部分人工智能计划应该在第三个或平衡象限。这意味着这些项目不太可能立即产生财务回报，而且将涉及迭代，以及总是需要从未探索的数据中引出新的功能和价值的研发方法。
与此同时，这个象限的项目也有可能通过提高技能、文化和公司为充分利用未来的人工智能计划所需要的资源来实现人工智能的成熟。例如:
- 一家致力于发现洗钱可能利用供应商或内部构建的AI解决方案，从许多银行IT系统的各种信息源检测洗钱模式。虽然这对人工智能来说是一个强大的机会，而且有许多看似成功的用例反洗钱AI (AML)，为了检测银行独特的一组数据源中的欺诈模式，仍然需要进行合理数量的迭代和试验——而且无法保证这种试验将产生结果。如果执行得当，即使是人工智能“反洗钱”试点项目也可能带来关于我们的数据竖井和特性的新见解，以及中小企业和数据科学家合作的新方式。
- 珠宝电子商务公司可能会决定利用推荐引擎来提高他们的现场和电子邮件产品曝光度，从而在现有客户基础上赢得更高的LTV。同样，这个项目将涉及迭代，以组合数据源(CRM数据、电子邮件响应数据、现场分析等)，以确定推荐产品的最佳方式。再次强调，在这项研发工作中，不能保证有很大的改进，但有很多机会来开发成熟的人工智能元素。
第三象限的次象限
事实上，大多数项目都是在一个象限，三个象限，和四个象限，实际上大多数都是在三个象限。由于有如此多的AI项目属于平衡象限，所以有必要根据近期价值和AI转换的不同比例对它们进行分类。下面我们将分解上面Emerj AI项目象限图中的四个子象限。
- Sub-quadrant 3.1:预培训的供应商解决方案，或涉及相对适度的数据访问、算法培训和AI成熟度需求的解决方案。这和象限1很相似。
- Sub-quadrant 3.2我们将看到很少有人工智能供应商的产品/服务能在短期内实现ROI和人工智能转型。实现这一目标的唯一方法是解决方案非常精确地满足客户的需求，并且客户必须愿意投资于作为过程一部分的能力。换句话说，除了短期价值外，客户还必须有长期的眼光。对于能够实现这两种价值的人工智能项目来说，3.2中的项目是“最好的”。
- Sub-quadrant 3.3：AI项目没有低于近期价值和对于低人工智能转换，我们称之为“玩具项目”。玩具AI项目不能提供短期价值，也不能构建转型。他们往往是被误导的害怕错过(FOMO)，或者仅仅因为新奇。这个次象限显然是要避免的。
- Sub-quadrant 3.4我们会看到一些项目需要将AI成熟度的价值作为未来价值的基础，并在短期内合理地交付价值。这类项目的一个例子可能包括人工智能和数据平台Sagemaker或DataRobot这是因为它需要在新的平台上移动数据，培训人们以新的方式与数据交互，并在客户的完全支持下组建跨职能团队。
在平衡象限中低估AI成熟度的危险
在平衡象限项目中最常见的错误是，当销售人员或内部拥护者将这些项目框定为即插即用象限。
作为外部供应商或内部人工智能项目的领导者，简单地宣传人工智能项目投资的短期财务回报是很有吸引力的，这允许利益相关者和预算持有人对人工智能采用的内在挑战(迭代、数据清理、团队动态变化等)保持无知。这种急于强调短期ROI的做法通常会使一个试点项目获得批准，但它会使项目在与领导层的共同理解方面失败。
如果做得正确，象限3(也可能是象限1)项目可以作为早期动力来源，为更真实的人工智能成熟度投资——从而进一步扩大组织内的一般人工智能能力。达太库的首席客户办公室库尔特Muehmel把这些计划称为“灯塔计划”——尽管我们已经听到他们被称为许多其他名字。Kurt在商业播客中对AI的采访是一个很好的起点，可以推出一个考虑到近期和长期投资回报率的AI采用计划:
什么时候进行象限3的项目
- 您的问题是一种商品，不需要使用您自己的专有数据。例如，在你的监控录像中检测人或车辆对你的监控摄像机来说并不是一个独特的挑战，许多供应商已经训练了模型来解决这个问题的版本。
- 开发数据基础设施来解决这个特定问题几乎没有任何好处(参见上面的安全摄像机示例或AIDoc示例)。
第四象限-新基础
包含全面改革AI成熟核心要素的有力努力，包括数据基础设施或部门/团队结构。
我们称之为象限四个新的基础象限，因为基本要求是将AI成熟度的价值作为未来价值的基础传达。其中包括深度集成的AI供应商产品和服务，这些产品和服务是长期路线图和转型项目，以建立成熟度并在项目中提供，并且在近期ROI中相对较低。通常，这些项目仅作为基础（因此名称），更具针对性的近期AI项目来构建。
目前，本象限的项目在企业中很少见。首先 - 因为对AI的一般了解作为范式转变（我们所说的是什么执行官AI流利)，因此期限被低估了。第二，因为大多数领导都希望在进行更稳健、更抽象的成熟投资之前，从早期项目中看到人工智能的某种价值。
在企业采用人工智能的最初几年，大部分人工智能成熟度可能是通过象限3中的项目构建的。如果对公司的人工智能路线图或转型愿景缺乏深入理解，就会在“成熟期”上过度投资，这可能会导致大量的技术债务。
本象限中的举措的例子可能涉及：
- 对一家实体零售公司的客户和营销分析数据进行全面检查，以匹配在线和线下购买之间的客户id和购买行为。这可能包括识别已知的在线用户来店内购物，但也可能涉及对数据存储和数据的重大改革特性，以及确定最佳数据格式以支持各种AI用例的潜在迭代。这种人工智能成熟度的新水平可以作为许多未来项目的起点。
什么时候进行象限4的项目
- 您已经为近期的AI能力和ROI开发了一个强大的AI路线图，其中有清晰的用例——并且需要通过在数据基础设施、团队培训或其他AI成熟度元素上的强大投资来支持该路线图。
