除企業對消費者及以資料為中心的應用方式外，無論規模大小的各企業皆開始評估將人工智慧施於其它用途的可能性。
尤其是市場上對於能以操控與優化的方式，讓複雜工業系統變得更聰明的人工智慧模型，更是需求若渴。這些系統形態各異，包括機器人、車輛、工廠、供應鏈、物流、倉儲運作、暖通空調（HVAC）系統、油礦探勘及資源規畫。
試圖以撰寫人工智慧程式的方式，對多層面工業系統提升操控性及增強即時決策支援，很快便使得一般解決方案處於捉襟見肘的局面，問題的核心在於沒有人才或工具能將組織裡的主題專門知識與繁複的機器學習技術結合起來，以建立應用程式專用的人工智慧模型。
得通過數據資料、模型和模擬內容等主題專門知識，方能理解各種推動有效率運作工業系統的變數、行為和限制。將主題專門知識與 TensorFlow 及強化學習等強大的機器學習函式庫和技術搭配起來，便可將創造出的人工智慧模型大幅提升其效率和預測準確性，再加上對目標系統增進自動化和運作效率。
為這些系統撰寫人工智慧程式，需要結合人類及機器的智慧：
- 人類智慧提供關鍵的主題專門知識，明白有哪些變數能為特定系統創造出最高運作效率。
- 機器智慧則能協助系統加快學習速度和做出更佳的預測，然而讓機器自行處理的話是一項相當暴力的作法，內容十分複雜又效率不彰，尤其是在工業系統應用程式上。
在人工智慧的發展史裡，我們在兩個極端都曾見過創新發展項目。在1970及80年代，只靠著主題專門知識專家系統蓬勃發展，這個作法可用於簡單的推理，且眾人都有著不同的解釋。但是它無法用於更複雜的預測，在應用上相當死板且難以擴大範圍。
在結合眼前機器學習技術的情況下，鐘擺又擺動到另一側，研發人員不依靠任何主題專門知識，而是特別鑽研於從海量資料裡找出模式。不過當下依然欠缺的是能將主題專門知識與機器智慧龐大學習能力結合起來的作法，讓開發人員與企業更容易編寫人工智慧模型程式和進行管理作業。
幸運的是，業界過去在其它技術領域裡已著手處理這個問題。在普遍採用資料庫這個作法前，難以透過複雜的方式去運用數據資料。資料庫妥善地解決了這個問題，卻未提出一套強大的工具組，以調校所有低階資料庫的技術性項目，而是讓事情變得更抽象，讓開發者將心力放在他們試著解決的難題上。
現在人工智慧也面臨著極為相似的問題。低階機器學習函式庫及演算法難以使用。別讓開發者接觸到這些龐大又複雜的工具組，成為讓更多人接觸到人工智慧的辦法。正如資料庫對資料採取的作法，我們也得調整抽象化的程度，而這正是機器教學派上用場之處。
機器教學提供抽象內容和工具給開發者、資料科學家和主題專家，將特定領域的智慧編寫成程式並納入系統。開發者使用像我們特別為 Bonsai 發展出的程式語言，便可將要系統學習的特定概念、教學方式和所需要訓練來源（模擬內容或資料等）編寫成程式碼。
使用 Bonsai 人工智慧平台開發出的程式可搭配 TensorFlow 等先進的機器學習函式庫與強化學習等技術，更有成效地產生和訓練最適當的高階模型，以用在特定硬體或軟體應用項目裡。
企業結合機器教學與機器學習等尖端技術，可更有效率地建立應用程式特定人工智慧模型，提高複雜工業系統的自動化和運作效率。
6月28日我們將在紐約舉行的 O’Reilly 人工智慧大會裡，分享如何輕鬆打造 GPU 加速人工智慧模型的秘訣；或是在我們的隨選網路研討會裡獲得更多資訊。