Wichtiges Kennzeichen von Industrie 4.0 ist die durchgängige Vernetzung und Durchdringung aller Komponenten der Fabrik sowie kompletter Wertschöpfungsketten mit Sensorik, eingebetteten Systemen und Kommunikationstechnik. Dadurch fallen von der Planung der zu fertigenden Produkte und Produktionsmittel über ihre Herstellung bis zur Nutzung der Produkte große Mengen an Daten an, die meist maschinell erzeugt werden. Diese Daten sind Grundlage für moderne und mächtige Analyse- und Auswerteverfahren, die heute als ‚Künstliche Intelligenz‘ (KI) bezeichnet werden.

Entweder stammen die Daten aus den Maschinensteuerungen, aus der existierenden Sensorik der Maschine und/oder aus nachgerüsteten intelligenten Sensoren. Jeder Anwendungsfall erfordert seine spezifischen Daten. Also ist festzulegen, welche Granularität der Daten für eine bestimmte Aufgabe erforderlich ist, wie Daten aus verschiedenen Quellen passgenau zusammengeführt werden können und in welchem Format die Daten übertragen und gespeichert werden. Zu berücksichtigen sind außerdem die Themen Datensicherheit und Datenschutz, denn mehr Vernetzung bedeutet höhere Anfälligkeit gegen Cyberangriffe.

In Produktionsprozessen wird Maschinelles Lernen eingesetzt, um ganz allgemein „Wissen“ aus „Erfahrung“ zu erzeugen – Lernalgorithmen entwickeln aus möglichst repräsentativen Beispieldaten ein komplexes Modell. Dieses Modell kann anschließend auf neue und unbekannte Daten derselben Art angewendet werden. Immer, wenn Prozesse zu kompliziert sind, um sie analytisch zu beschreiben, aber genügend viele Beispieldaten verfügbar sind, z.B. Sensordaten oder Bilder, bietet sich Maschinelles Lernen an. Die Modelle werden mit dem Datenstrom aus dem laufenden Betrieb abgeglichen und erlauben letztlich Vorhersagen oder Empfehlungen und Entscheidungen.

Wo werden zukünftig die anfallenden Daten verarbeitet oder die Modelle gelernt? Aktuell zeichnet sich ab, dass zukünftig „Edge-Rechenzentren“ diese Aufgabe übernehmen. Unter Edge-Computing versteht man, Rechenleistung, Software-Anwendungen, Datenverarbeitung oder Dienste unmittelbar an die logische Randstelle eines Netzwerks zu verlagern, z.B. einer Linie oder einer kompletten Fabrik. Edge-Rechenzentren, untereinander verbunden zu einer Cloud-Infrastruktur, sind damit skalierbar und bieten auch mittelständischen Unternehmen die Möglichkeiten, Cloud-Technologien zu nutzen, ohne in eine eigene Infrastruktur investieren zu müssen.