Mit dem Aufblühen der Industrie 4.0 lässt sich der Energieverbrauch in der Produktion durch den Ein-satz von fortschrittlichen Technologien wie ML massiv optimieren. Beim Erkennen der Muster in gro-ßen Datenmengen, die in der Produktion generiert werden, kann man die Potenziale von ML ausschöp-fen. Es stellt sich heraus, dass bestimmte Datenmuster dazu beitragen den Energieverbrauch vorherzu-sagen und den damit verbundenen Ressourcenverbrauch sowie Kosten einzusparen. Aufgrund mangeln-der Expertise fällt es KMU jedoch schwer, auf ML-Methoden zurückzugreifen, um sich Energiepoten-ziale vollständig zunutze zu machen. In diesem Zusammenhang hat das Forschungsprojekt ecoKI das Ziel, ML-Methoden für KUM leichter zugänglich zu machen, indem es gängige ML-Methoden in die einzelnen wiederverwendbaren Bausteine (BB) integriert und sie über eine Plattform zur Verfügung stellt, die sich ohne ML-Vorkenntnisse und nutzerfreundlic h verwenden lässt. Die Bausteine sind viel-fältig und decken somit fast jeden einzelnen Schritt von ML ab, von der Datenvorverarbeitung, über die Erkennung verschiedener Muster und Trends im Energieverbrauch bis hin zur Ermittlung und Evalua-tion der Zuverlässigkeit der Ergebnisse und potenzieller Energieeinsparungen. Neben der allgemeinen Vorstellung der ecoKI-Plattform wird in diesem Beitrag anhand eines konkreten Use Case aufgezeigt, wie die ecoKI-Plattform KUM bei der Nutzung der ML-Methoden zur Steigerung der Energieeffizienz unterstützen kann.