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。这意味着在设备正常运行期间更新训练好的 ML 模型，无需停止设备、无需重新编译，就可以通过标准 IT 基础设施完全远程进行更新。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。
      对于大部分应用而言，基于 CPU 执行 AI 模型便完全足够了。在某些情况下，受限于可达到的执行速度，必须使用硬件加速器。AI专家可以使用 PyTorch、TensorFlow 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。