Základní technologie společnosti

Data a umělá inteligence

Výzkum dat a umělé inteligence vyvíjí inteligentní technologie, které kombinují průmyslová data, technické znalosti a umělou inteligenci k řešení složitých výzev v reálném světě. Důraz je kladen na důvěryhodné, vysvětlitelné systémy umělé inteligence, které zlepšují průmyslové operace, rozhodování, udržitelnost a produktivitu ve velkém měřítku.

Prozkoumejte publikace

Co kdybychom mohli dosáhnout průmyslové inteligence v průmyslových odvětvích a kritických infrastrukturách?

Průmyslová data jsou vzácným zdrojem ve srovnání s obrovským objemem dat ze sociálních médií. Zvláštní důraz je kladen na průmyslový kontext, kde jsou data charakterizována fyzikálními procesy, časovými řadami a složitou systémovou dynamikou. Systémy umělé inteligence musí být spolehlivé, robustní a důvěryhodné, aby splňovaly přísné požadavky na kvalitu, bezpečnost a provoz průmyslu a kritické infrastruktury.

Na čem záleží: Technologie umělé inteligence a analýzy dat, které mají dopad v celém průmyslovém hodnotovém řetězci.

Rozdělený obrázek zobrazující zářící vlákna z optických vláken vlevo a tým, který nosí

Dva kolegové kontrolují velký displej palubní desky s

Technologie dat a umělé inteligence poskytují komplexní rámec pro průmyslovou inteligenci. Multimodální základové modely a generativní AI podporují pracovní postupy, jemné doladění a design specifické pro doménu. Spoluinteligence člověka a umělé inteligence integruje kopiloty, agentické pracovní postupy a vysvětlitelné ovládací prvky člověka ve smyčce. Za těmito aplikacemi, sémantické modely, znalostní grafy a analýza časových řad organizují data, která umožňují prediktivní údržbu a provozní rozhodování.

Životní cyklus umělé inteligence řídí MLOP a edge nasazení, podporované optimalizačními algoritmy a fyzickou neuro-symbolickou umělou inteligencí založenou na omezeních reálného světa. A konečně, důvěryhodné rámce umělé inteligence zajišťují plnou bezpečnost, řízení rizik a dodržování předpisů.

Tenhle Základní technologie společnosti podporuje inteligentní operace v celém průmyslovém životním cyklu. Kopiloti a agentští asistenti specifici pro konkrétní doménu zefektivňují pracovní postupy v oblasti inženýrství, návrhu, kódování a služeb. Prediktivní analýza, základové modely a optimalizace umožňují provozní inteligenci, řízení v uzavřené smyčce, plánování a údržbu aktiv napříč multimodálními datovými prostory.

Robotika a fyzická umělá inteligence podporují vizuální vnímání, orchestraci úkolů a přesné ovládání pohybu. Sémantické datové struktury a ontologie integrují tyto systémy, zatímco podnikové platformy spravují nasazení na hraně, rizika AI a testování dodržování předpisů.

Tyto výzkumné aktivity doplňují orchestrace trychtýře pro inovace produktů AI společnosti Siemens a správa dat a AI.

Publikace

Prozkoumejte naše doporučené články

Zlepšení vysvětlení založených na poruchách pochopením role kalibrace nejistoty

Publikováno v: 39. konference o systémech zpracování neuronových informací (NeurIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner５
(¹ Siemens, ² LMU Mnichov, ³ Mnichovské centrum pro strojové učení (MCML), ⁴ Goethe University Frankfurt, ⁄ Německé centrum pro výzkum rakoviny, Německé konsorcium pro rakovinu)

Vysvětlení založená na poruchách zvyšují průhlednost ML, ale neznámé chování modelu při poruchách ohrožuje jejich spolehlivost. Dokazujeme, že modely vytvářejí nespolehlivé odhady pravděpodobnosti za těchto poruch, což přímo zhoršuje místní a globální kvalitu vysvětlení. Navrhujeme RecalX rekalibrovat modely pro lepší vysvětlení bez změny původních předpovědí a zlepšení robustnosti.
Zobrazit na stránce vydavatele

Inkrementální monitorování výkonu s ohledem na nejistotu s aktivním zásahem značení

Publikováno v: Sborník z 28. mezinárodní konference o umělé inteligenci a statistice, PMLR 258:2188‑2196, 2025
Alexander Köbler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Büttner

Studujeme monitorování ML modelů za postupných distribučních posunů, které pomalu zhoršují přesnost nezjištěnou. Navrhujeme přírůstkové monitorování výkonu s vědomím nejistoty (IUPM), metodu bez štítků, která odhaduje změny výkonu pomocí optimálního transportu. IUPM kvantifikuje nejistotu predikce a používá aktivní označování v rámci omezeného rozpočtu k obnovení odhadů, což překonává základní hodnoty ve scénářích směn.
Zobrazit na stránce vydavatele

Wiki-Tabner: Integrace rozpoznávání pojmenovaných entit do tabulek Wikipedie

Publikováno v: 2025 Mezinárodní konference ACM SIGIR o výzkumu a vývoji v oblasti vyhledávání informací
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Stávající benchmarky interpretace tabulek často příliš zjednodušují data z reálného světa. Abychom to vyřešili, představujeme Wiki-Tabner, náročnou datovou sadu obsahující složité tabulky Wikipedie s více entitami na buňku, anotované pomocí tříd DBpedia. Navrženo pro rozpoznávání pojmenovaných entit v tabulce (NER) a propojení entit, podrobně popisujeme jeho vlastnosti, značení a rámec hodnocení LLM, následovaný kvalitativní analýzou výkonu modelu a omezení datové sady.
Zobrazit na stránce vydavatele

Lightning UQ Box: Kvantifikace nejistoty pro neuronové sítě

Publikováno v: Journal of Machine Learning Research 26 (2025)
Nils Lehmann, Nina Maria Gottschlingová, Jakob Gawlikowski, Adam J Stewart, Stefan Depeweg, Eric Nalisnick

Navzdory úspěchu hlubokého učení způsobuje jeho černá skříňka a chybějící odhady důvěry skepticismus v kritických oblastech, jako je medicína. Aby byla kvantifikace nejistoty (UQ) přístupnější a opakovaně použitelnější, představujeme Lightning UQ Box, knihovnu založenou na PyTorch poháněné PyTorch Lightning. Podporuje klasifikaci, regresi a segmentaci napříč různými metodami UQ, což odborníkům poskytuje škálovatelné nástroje připravené k použití.
Zobrazit na stránce vydavatele

Jemnozrnný rozklad nejistoty ve velkých jazykových modelech: Spektrální přístup

Publikováno v: Sborník z konference AAAI o umělé inteligenci (AAAI26)
Nassim Walha¹², Sebastian G.Gruber5, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³⁴
(¹ Německé centrum pro výzkum rakoviny (DKFZ), ² Německé konsorcium pro rakovinu (DKTK), ³ Frankfurtský onkologický institut, Německo, ⁴ Goethe University Frankfurt, Německo, ⁄ ESAT-PSI, KU Leuven, Belgie, Siemens AG, LMU Mnichov, Mnichovské centrum pro strojové učení (MCML), Německé centrum pro umělou inteligenci (DFKI), Kaiserslautern, Německo)

Vzhledem k tomu, že LLM se integrují do různých aplikací, je zásadní získat spolehlivá prediktivní opatření nejistoty. Rozlišování mezi nejednoznačností náhodných dat a omezeními epistemického modelu je nezbytné pro řešení každého zdroje. Představujeme spektrální nejistotu, přístup využívající Von Neumannova entropii kvantové teorie informace k důslednému oddělení celkové nejistoty na aleatorické a epistemické složky. Využíváním sémantické podobnosti překonává nejmodernější metody napříč různými modely a benchmarky.
Zobrazit na stránce vydavatele