Mit einem human-in-the-loop Ansatz des maschinellen Lernens soll die Identifikation komplexerer Wirkzusammenhänge für die Produktqualität ermöglicht werden, die über aktuelle Ansätze der rein statistischen Anomalieerkennung in einzelnen Prozessabschnitten (Datensilos) hinausgehen. Durch explizite Nutzung von Expertenwissen sowie interaktive Korrekturen sollen adaptive Qualitätsmodelle generiert werden, die nicht nur lokale Informationen verwenden, sondern auch komplexe relationale Abhängigkeiten abbilden und so zur globalen Optimierung der Prozesssteuerung beitragen. Durch Ansätze der erklärbaren KI (XAI) wird somit Transparenz und Nachvollziehbarkeit der gelernten Modelle gewährleistet. Somit wird ein Beitrag zur Akzeptanz und gerechtfertigtem Vertrauen in das KI-System geschaffen. Als exemplarischer Anwendungsfall wird die Produktionskette des elektrischen Antriebsstrangs betrachtet. Ziel ist die Entwicklung eines interaktiven Dashboards, das auf innovativen Methoden des erklärenden interaktiven Lernens basiert. Damit wird die Erkennung komplexer Wirkbeziehungen in der Qualitätsbeurteilung ermöglicht und in Konsequenz die Produktionseffizienz gesteigert sowie Ausschüsse minimiert.