Produktionsprozesse erzeugen kontinuierlich Daten. Erfolgreich werden zukünftig Unternehmen sein, denen es gelingt, Mehrwert aus diesen Daten zu generieren. Der erschließt sich vor allem im Bereich der Datenanalyse, etwa bei Predictive Maintenance. Die Methoden von künstlicher Intelligenz (KI) und Machine Learning (ML) lassen sich gut als Werkzeuge zur Analyse der Maschinendaten einsetzen. Sie erlauben es, bisher unerschlossene Daten zu verknüpfen und unbekannte Zusammenhänge zu identifizieren. Das Konzept von Weidmüller sieht einen einfachen Einsatz von KI mittels einer Automated Machine Learning Software für den Maschinen- und Anlagenbau vor. Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung, weshalb Weidmüller hier von Guided Analytics spricht. Maschinen- und Prozessexperten können selbstständig, ohne die Hilfe von Data Scientists, ML-Modelle erstellen, modifizieren und zur Ausführung bringen. Die Software hilft bei der Übersetzung und Archivierung des komplexen Applikationswissens in eine verlässliche ML-Anwendung. Dabei fokussiert sich der Experte auf sein Wissen zum Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden ML-Schritten. Automated ML kann in vielen Bereichen seine Anwendung finden: von der Erkennung von Anomalien, deren Klassifizierung bis zur Vorhersage. Um jedoch Anomalien zu erkennen und daraus Vorhersagen zu treffen, müssen die Daten erfasst und in Beziehung zueinander gesetzt werden. Prozessrelevante Daten von Maschinen oder Anlagen liegen in der Regel in ausreichendem Umfang vor. Um die Mehrwerte aus diesen Daten zu extrahieren, werden sie mit Hilfe von ML-Methoden analysiert und entsprechende Modelle entwickelt.