Aktuelle Anwendungen der prädiktiven Prozesskontrolle, welche sich auf die Vorhersage der Prozessfähigkeit beziehen, erreichen durch bisherige robuste Anwendungen ein besseres Verständnis des Potenzials von maschinellem Lernen in der prädiktiven Prozesssteuerung. Dabei liegt das Ziel auf einer Effizienzsteigerung der Produktionsprozesse, welche durch eine vollständige oder teildigitalisierte Industrie ermöglicht werden. Die Resultate der vorliegenden Studie beziehen sich auf eine umfassende Recherche bestehender wissenschaftlicher Arbeiten in diesem Bereich. Im Zentrum der Untersuchung stehen drei Schlüsselbereiche: die Interpretierbarkeit der prädiktiven Prozessqualität, die Genauigkeit der Analyseergebnisse und die technische Integration in bestehende Produktionsmaschinen. Besonderes Augenmerk wird auf die Rolle von erklärbaren Methoden in interaktiven Vorhersagesystemen gelegt. Es wird analysiert, ob und wie diese Methoden Empfehlungen für Prozessverantwortliche bereits Vorteile in Verbindung moderner Algorithmen des maschinellen Lernens gegenüber traditionellen Methoden, insbesondere hinsichtlich der Genauigkeit der Vorhersage des Cpk-Wertes, bieten. Darüber hinaus wird untersucht, wie die Bewertungskriterien für die technische Integration in bestehende Produktionsmaschinen an Veränderungen im Prozessumfeld angepasst werden können. Diese Anpassungen könnten etwa Lern- und Vorhersagehorizonte, Mehrklassenvorhersagen pro Klasse und Interventionsgrenzen betreffen. Die generelle Schlussfolgerung der Studie lautet, dass maschinelles Lernen das Potenzial hat, die Prozesssteuerung in Fertigungsunternehmen zu revolutionieren, jedoch Einflüsse auf mehrere angrenzenden Bereiche berücksichtigt werden müssen.