为了进一步强化企业导入AI的速度，NVIDIA通过NGC目录提供预先训练AI模型，并在GTC21发布Tao与Fleet Command等模型再训练与部署组件，强化边缘AI应用。
NVIDIA除了供应AI运算所需的硬件平台外，也提供许多AI应用程序，举例来说包含
不过对于用户或企业而言，在备妥AI相关的软、硬件之后，工作才刚刚开始，接下来还需要准备庞大的资料集，并花费大量时间进行AI模型的训练。
为了缩短导入AI的流程，NVIDIA通过NGC目录提供超过100种预先训练的模型，种类包含语言建模、翻译、自动语音识别、文本转语音、推荐系统、图片分割、物体侦测等不同应用领域，用户可以直接将软件或容器部署至本机、云计算或边缘的计算机、服务器、Kubernetes、虚拟计算机等设备运行。
不过就算有了预先训练模型，也可能会遇到训练使用的资料集跟使用现场的情况有所落差，所以导致AI推论准确度不如预期的状况。然而许多资料集因为商业或机密考量而无法与所有用户分享，造成修正模型的阻碍。
NVIDIA研发了许多用途各异的AI应用程序。
NGC目录提供超过100种预先训练的模型。
为了解决这个问题，NVIDIA推出Tao框架，让用户能够通过输入少量资料（可能少至100组资料），重新训练预先训练模型，强化AI推论准确度，将过去需要花费数日甚至数周的模型调整时间缩短至数小时，能让多方研究人员训练共享的模型，又同时确保资料隐私。
另一方面，Tao也能通过剪枝（Pruning）与量化（Quantization）等优化方式在不影响准确度的前提下，降低运算复杂度与模型尺寸，节省占用的计算资源并提升性能表现。
当用户更新模型之后，可以通过一站式的Fleet Command管理组件快速更新并部署，节省将资料部署至边缘节点所需的时间与人力。
Tao框架可以通过少量资料重新训练预先训练模型。
举例来说，在汽车维修中心通过AI判断人员位置，会因现场跟训练资料集的差距，造成准确度不理想的问题。
Tao可以通过输入大约100组图像资料，将准确度由65%提升至91%，并可通过剪枝与量化降低运算复杂度，缩小模型尺寸并提升性能。
经Tao优化的模型能更准确判断人员位置。
Fleet Command是针对边缘运算设计的管理组件。
Fleet Command可以通过网络快速更新并部署优化模型。
NGC、Tao、Fleet Command能够有效缩短导入AI的流程。