机器学习的概念是通过具有代表性的实例来学习各种关系。因此，必须对记录的数据进行审查和整理，以建立一个干净的数据集。一般来说（异常检测等应用除外），需要先标注（标记）样本数据，才能成功训练模型。AI专家可以使用 PyTorch、TensorFlow 以及 SciKit-Learn® 等框架进行训练。最终，只需要所使用的框架导出 ONNX 格式的模型即可。这意味着 AI 模型的开发没有任何限制。

      AI 应用成为了控制应用的一部分。这种整合的优势如下：无需额外的（AI 专用）硬件，无需额外的接口或子系统，只需维护一个中央系统（更新、安全、登录等），同步、透明地提供控制计算机中的所有设备数据，高性价比且可扩展的解决方案。目前，市场上有很多种 AI 模型。有些模型即使在计算资源较少的情况下也能非常高效地执行，而有些则需要较大的算力才能在足够的时间内获取结果。通过使用更大的数据集进行训练，不断改进 ML 模型。同样，在机器的运行过程中，其状态会逐渐或自发地发生变化。这意味着您可以在设备正常运行期间更新训练好的 ML 模型。