В традиционных промышленных условиях методы технического обслуживания, основанные на реактивном ремонте или плановых временных интервалах, часто приводят к простоям и снижению эффективности. В связи с чем, предиктивное обслуживание использует данные для прогнозирования отказов до их фактического наступления. Целью данного исследования является разработка интеллектуальной системы предиктивного обслуживания на основе машинного обучения и внедрение в промышленность Казахстана, ориентируясь на принципы Индустрии 4.0. Система основана на сборе данных с датчиков (ток, температура, давление, вибрация) с помощью ПЛК Siemens, объединённых через протокол OPC UA в промышленную IoT-инфраструктуру. Дополнительно применяется компьютерное зрение для мониторинга состояния оборудования в реальном времени. Полученные данные обрабатываются алгоритмами машинного обучения, в том числе нейронными сетями, линейной регрессией и автоэнкодерами. Для адаптации модели к изменениям она обучается непрерывно с использованием байесовского обновления. Визуализация и взаимодействие с пользователями реализованы через SCADA для инженеров и Power BI для управленцев. Кроме того, в статье рассматриваются проблемы, связанные с развертыванием решений по предиктивному обслуживанию, и предлагаются будущие направления для улучшения масштабируемости, безопасности и возможностей обработки данных в реальном времени. Полученные результаты вносят вклад в растущий объем исследований в области предиктивного обслуживания, демонстрируя его потенциал для повышения эффективности, снижения эксплуатационных расходов и поддержки перехода к интеллектуальным производственным системам, управляемым данными. Работа демонстрирует потенциал интеллектуального обслуживания как решения для стареющих производств с дефицитом инженерных кадров и шаг к цифровизации в рамках Индустрии 4.0.