Im Ingenieursbereich sind vor allem zwei Themen höchst aktuell in Bezug auf maschinelles Lernen:
Bilderkennung und Predictive Maintenance. Im Folgenden werden für beide Themen jeweils ein Beispiel beschrieben:

1) Bilderkennung für Sortier-Anlagen

In Sortieranlagen sollen unterschiedliche Objekte auf einem Laufband durch Roboter erkannt und in verschiedene Bereiche sortiert werden. Durch Kameras können laufend die herannahenden Objekte gefilmt werden und dann diese Bilder durch einen Bilderkennungsalgorithmus analysiert und die Objekt-Klassen festgestellt werden.
Solche Algorithmen, die auf Bildern unterschiedliche Objekte erkennen, basieren auf tiefen neuronalen Netzen
und können heute mit relativ wenig Aufwand programmiert werden.
Die Trefferquote in der Bilderkennung von Algorithmen des maschinellen Lernens ist heute
genauso gut, häufig wesentlich besser, als diejenige von Menschen.

Der Phantasie sind für mögliche Anwendungen von Bilderkennungsverfahren im Ingenieursbereich wenig Grenzen gesetzt. Mehr oder weniger können Bilderkennungsalgorithmen das menschliche Auge ersetzen.


2) Predictive Maintenance

Hierbei geht es um die automatisierte Überwachung von Produktionsmaschinen und die Vorhersage, ob in näherer Zukunft ein Ausfall einer Maschine droht.

Sensoren liefern im Betrieb regelmäßig Kennzahlen über den Zustand einer Maschine: z.B. Betriebstemperatur,
chemische Zusammensetzung der sie umgebenden Luft oder des Abgases, ...
Aus solchen Daten der Vergangenheit und der Information, wann in der Vergangenheit Maschinen ausfielen,
kann man dann per maschinellem Lernen ein Vorhersagemodell erstellen für die Ausfallwahrscheinlichkeit
einer Maschine in näherer Zukunft. Somit können die Wartungsarbeiten zielgerichtet geplant und der
Produktionsprozess insgesamt optimiert werden.

Im Zuge von Industrie 4.0 wird dieser Ansatz für die Wartungsarbeiten bei Haushaltsmaschinen oder
Produkten beim Kunden verwendet und der Wartungsdienst optimiert.