Einsatzfelder der Künstlichen Intelligenz sind bereits mehrfach als elementare Bestandteile der Digitalisierung betont worden. Besondere Bedeutung für industrielle Anwendungen hat dabei das maschinelle Lernen (machine learning). Dieses erkennt in vorhandenen Datensätzen Muster und Zusammenhänge, die es anschließend zur Prognose noch unbekannter Daten anwendet. Hier sind als Methoden insbesondere Künstliche Neuronale Netze (KNN) oder auch statistische Verfahren wie die Regressionsanalyse zu nennen. Sie erkennen jeweils aus Trainingsdaten funktionale Zusammenhänge zwischen Input- und Outputdaten. Diese Funktionen können dann den Output für vorgegebene Inputdaten prognostizieren. So fallen während der Fertigung Maschinendaten wie Geschwindigkeiten, Temperaturen, Geräusche, Schwingungen, Qualitätsmerkmale, Fertigungsmengen und Laufzeiten an, aus deren ermittelten Zusammenhängen Maschineneinstellungen, die Fertigungssteuerung oder Wartungsarbeiten optimiert werden können. Die Verfügbarkeit dieser Daten wird häufig als ein besonderer Schatz von Industrieunternehmen betont. Dieses gilt auch für die Daten, die während des Betriebes von Maschinen beim Kunden anfallen. Durch die Verknüpfung und Analyse dieser Daten über alle eingesetzten Maschinen hinweg, können für einen Hersteller neue Dienstleistungen im Bereich Wartung und Instandhaltung entstehen. Die bei einer Real Time‐Erfassung anfallenden hohen Datenmengen entziehen sich einer manuellen Analyse, so dass Verfahren der Künstlichen Intelligenz unabdingbar sind.