狭義の AI ができることは、
虫食い問題を解く程度のことです。

過去のデータを分析し、
未来のデータを予測する…

但し、機械学習での訓練・推論では、入出力情報が主に数値 (例: 0.0 ~ 1.0) であるため、文字列などのラベル情報は数値と置き換える必要があります。例: 晴れ = 0.0、曇り = 0.5、雨 = 1.0

例えば、
今日は（晴れ 0.0）の日だから、弁当が（よく売れた 100）。
今日は（曇り 0.5）の日だから、弁当が（あまり売れなかった 50）。
今日は（雨 1.0）の日だから、弁当が（ほとんど売れなかった 20）。

機械学習のモデルでは、定型の文章は削除してしまい、数値だけ残している、という状態に通常はします。

0.0 → 100
0.5 → 50
1.0 → 20

推論の例として、

今日は（どしゃ降り 2.0）の日だから、弁当が（売れなかった 3）。

2.0 → 3

という風に「どしゃ降り」の直接的なデータは存在しないが、推論をすることはできる、というのが特徴です。

訓練に使用するデータは、因果関係が成立しているものや、相関関係が認められるものの方が良いです。

例

原因 = 雨の降り具合 0.0 〜 (晴れ = 0.0、雨 = 1.0)
結果 = 売り上げた弁当の個数 0 〜

結果の項目数は通常 1 つですが、原因の方の項目数はいくつあっても構いません。項目数や、レコード数に関係なく、よしなに訓練・推論できるのが機械学習の良さです。

原因には、「予測値」と「実測値」があります。

予測値の例: 天気予報による雨の降り具合 0.0 〜 (晴れ = 0.0、雨 = 1.0)
実測値の例: 実際の天気を観測することにより知り得た雨の降り具合 0.0 〜 (晴れ = 0.0、雨 = 1.0)

推論をしたい早朝の段階では、「実測値」の方は未知である可能性があります。

そのため、仮定を含めて推論することで情報量を増やし、その結果を元に意思決定をする、というやり方もあるかと思います。

これは、項目数を 3 にした場合の例えです:

今日は（晴れ 0.0）の予報があり、実際は（晴れ 0.0）であると、弁当が（よく売れた 100）。
今日は（晴れ 0.0）の予報があり、実際は（曇り 0.5）であると、弁当が（そこそこ売れた 70）。
今日は（晴れ 0.0）の予報があり、実際は（雨 1.0）であると、弁当が（あまり売れなかった 15）。

実測値である実際の天気の部分を、試しに「晴れ 0.0」「曇り 0.5」「雨 1.0」と仮定して推論をしてみる、という具合です。

こういった推論をするためには、毎日、天気予報と、実際の天気と、弁当の売上個数を記録して数値データ化し、日々、モデルを訓練する必要があります。
運用が大変ですが、機械学習には、こうった使い道もあるという事で理解頂ければ幸いです。