這裡有篇台灣人的文章，我本意是要透過搜尋 Fuzzy
這個有點年代的用詞，來開導你。
因為你原先提及的個人案例是沒有什麼模糊空間存在
「什麼訊號要做什麼事情的線性階梯圖」

剛好這篇有提到最初階段中
自動控制系統的內容，
你看一下我原先提到的溫室系統是否勉強可以屬於這個範疇

而你的需求僅限於 感測數值由你這個
專業生產技術人員來判斷解讀或是調整。
所以你需要設備商告訴妳有多少指標顯示
以及每個指標的意義還有合理範疇。
你才能對應生產線上的工作分析個別指標如何適應化你們的工廠。
這大概就是你原先的想法用跟各方專業人士討論的目標




人工智慧依照機器 (電腦) 能夠處理與判斷的能力區分為四個分級，分別為自動控制、探索推論、機器學習、深度學習。在本文章中我們會探討人工智慧是如何興起的，以及早期的人工智慧「模糊專家系統」是如何建構與運作，並討論傳統 AI 如何跟現代 AI 並存。透過專家系統+機器學習來解決日常生活中的最佳化問題。
人工智慧的歷史
人工智慧（Artificial Intelligence，AI）的發展可以追溯到第二次世界大戰的末期，當時為了解決軍事上和情報上的問題，因此科學家們開始研究發展一種有智慧的機器。從此科技戰就如火如荼地展開了！
人工智慧的分級
人工智慧依照機器能夠處理與判斷的能力大致分為四級：
第一級人工智慧：自動控制
機器含有自動控制的功能，可以經由感測器偵測外界的資訊。例如透過溫度感測器來偵測吸塵器的馬達是否過熱並達到停止運轉效果或是冷氣低於20度時就進入待機模式……等。因此程式設計師必須先把所有可能的情況都考慮進去才能寫出控制程式。這就衍伸出一些問題，像是靈活度不高，且需要有經驗的專家介入才能完成。
第二級人工智慧：探索推論
這邊逐漸開始強調邏輯推理，可以說是補足第一級的問題。將知識組織成Ontology(知識本體)並讓機器從知識本體中去推論。典型的例子就是專家系統，他是透過特定領域的專家訂定出一套知識庫與規則庫，並產生大量輸入與輸出資料的排列組合來解決日常生活中的問題。
第三級人工智慧：機器學習
機器可以根據資料學習如何將輸入與輸出資料產生關聯，機器學習是一種學習的演算法，並從資料中去學習並找出問題的解決方法。其應用包括搜尋引擎、大數據分析等。我們依據資料與學習方式可大致分為監督式學習、非監督式學習、增強式學習，此外自監督學習這個名詞最近也熱烈的討論中。
第四級人工智慧：深度學習
他是一種機器學習的方法，藉由模仿人類大腦神經元的結構，定義解決問題的函式。所謂深度學習是一種具有深度 (多層)的 Neural Network。機器可以自行學習並且理解機器學習時用以表示資料的「特徵值」，因此又稱為「特徵表達學習」，其應用包括：影像分類、手寫數字辨識等。
邏輯 VS. 模糊
人工智慧的方法非常多樣，早期的人工智慧研究聚焦在邏輯推論的方法
邏輯推論方法，需要百分之百確定的事實配合，因此在實務上不容易使用
模糊推論方法，雖然在理論上較不優美，但是在實務上卻很有用！