Svět je však plný složitých strojů (např. robotů, jeřábů, tiskařských strojů a motorů). Tyto stroje se vyznačují rysy, jako je více pohyblivých os, ovlivňující klouby, převodovky, lineární, diperiodický provoz, atd. Z toho vyplývá otázka, zda by bylo možné všechny tyto aspekty dostat pod kontrolu.

K přesné analýze stavu složitých strojů by bylo třeba použít mnoho senzorů a velmi složité rovnice. Takový postup se však zdá být příliš nákladný a nepraktický; až na několik výjimek, jako je turbína jaderné elektrárny pokrytá stovkami senzorů. V reálném světě jsme omezeni počtem senzorů, množstvím dostupných dat a cenou výpočetního výkonu. Nejběžnější stroje jsou obvykle monitorovány pouze jedním, případně několika málo snímači. Proto se signály přicházející z různých zdrojů snadno překrývají a lidskému uchu to někdy může znít jako naprostý zmatek.

Zde se projevuje krása moderních algoritmů umělé inteligence (AI) a strojového učení, jako jsou hluboké neuronové sítě, které dokáží zpracovávat složité signály a určovat autuální stav stroje. Samoučící se algoritmus si dokáže zapamatovat, jak se projevují různé problémy, a přitom se kalibrovat na konkrétní fungování každého stroje zvlášť. Komplexní algoritmy umělé inteligence umožňují sledovat každý senzor jednotlivě nebo v kombinacích. Zde můžeme vidět budoucnost predikce mechanických problémů. S rychlým pokrokem v technologiích internetu věcí (IoT) můžeme očekávat větší množství dat ze senzorů, která budou k dispozici pro analýzy, včetně velkých souborů zvukových dat, které dnes může zpracovávat umělá inteligence za přijatelnou cenu.

Kromě toho si lze představit, že s rostoucí schopností 3D tištěných komponent by se do materiálu mohly brzy zabudovat senzory. V kombinaci s edge computingem by mohlo být lokálně zpracováváno velké množství dat, což by vytvořilo nový smysl - stroje budou schopny cítit své bolesti a v případě potřeby si přivolat pomoc.