Virksomhedens kerneteknologier

Data og kunstig intelligens

Data- og AI-forskning udvikler intelligente teknologier, der kombinerer industrielle data, teknisk viden og AI for at løse komplekse udfordringer i den virkelige verden. Fokus er på pålidelige, forklarbare AI-systemer, der forbedrer industriel drift, beslutningstagning, bæredygtighed og produktivitet i stor skala.

Udforsk publikationer

Hvad hvis vi kunne opnå industriel intelligens i industrier og kritiske infrastrukturer?

Industrielle data er en knap ressource sammenlignet med de store mængder data fra sociale medier. Der lægges særlig vægt på den industrielle kontekst, hvor data er kendetegnet ved fysiske processer, tidsserier og kompleks systemdynamik. AI-systemer skal være pålidelige, robuste og pålidelige for at opfylde de strenge kvalitets-, sikkerheds- og driftskrav i industrien og kritisk infrastruktur.

Hvad der betyder noget: AI og dataanalyseteknologier, der skaber indflydelse på tværs af den industrielle værdikæde.

Opdelt billede, der viser glødende fiberoptiske tråde til venstre og et hold iført

To kolleger gennemgår et stort instrumentbrætdisplay med

Data- og kunstig intelligensteknologier leverer en ende-til-ende-ramme for industriel intelligens. Multimodale fundamentmodeller og generativ AI styrker domænespecifikke arbejdsgange, finjustering og design. Human-AI-co-intelligens integrerer copiloter, agentiske arbejdsgange og forklarbare menneskelige in-the-loop-kontroller. Bag disse applikationer organiserer semantiske modeller, videngrafer og tidsserieanalyser data for at muliggøre forudsigelig vedligeholdelse og operationel beslutningstagning.

MLOP'er og edge-implementeringer styrer AI-livscyklussen, understøttet af optimeringsalgoritmer og fysisk, neuro-symbolsk AI baseret på begrænsninger i den virkelige verden. Endelig sikrer pålidelige AI-rammer fuld sikkerhed, risikostyring og overholdelse af lovgivningen.

Dette Virksomhedens kerneteknologi driver intelligente operationer på tværs af den industrielle livscyklus. Domænespecifikke copiloter og agentassistenter strømliner ingeniørarbejde, design, kodning og service. Prædiktiv analyse, fundamentmodeller og optimering muliggør operationel intelligens, lukket kredsløbskontrol, planlægning og vedligeholdelse af aktiver på tværs af multimodale datarum.

Robotik og fysisk AI understøtter visuel opfattelse, opgaveorkestrering og præcis bevægelseskontrol. Semantiske datastrukturer og ontologier integrerer disse systemer, mens virksomhedsplatforme administrerer edge-implementering, AI-risiko og overensstemmelsestest.

Orkestrering af Siemens' AI-produktinnovationstragt og data- og AI-styring supplerer disse forskningsaktiviteter.

Publikationer

Udforsk vores fremhævede papirer

Forbedring af forstyrrelsesbaserede forklaringer ved at forstå usikkerhedskalibreringens rolle

Udgivet i: 39. konference om neurale informationsbehandlingssystemer (NeurIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner５
(¹ Siemens, ² LMU München, ³ München Center for Machine Learning (MCML), ⁴ Goethe University Frankfurt, ⁄Tysk kræftforskningscenter, Tysk kræftkonsortium)

Forstyrrelsesbaserede forklaringer forbedrer ML-gennemsigtigheden, men ukendt modeladfærd under forstyrrelser kompromitterer deres pålidelighed. Vi beviser, at modeller producerer upålidelige sandsynlighedsestimater under disse forstyrrelser, hvilket direkte forringer lokal og global forklaringskvalitet. Vi foreslår RecalX at omkalibrere modeller for bedre forklaringer uden at ændre originale forudsigelser, hvilket forbedrer robustheden.
Se på udgiverens side

Trinvis usikkerhedsbevidst ydeevneovervågning med aktiv mærkningsintervention

Udgivet i: Forhandlinger fra den 28. internationale konference om kunstig intelligens og statistik, PMLR 258:2188‑2196, 2025
Alexander Köbler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Büttner

Vi studerer overvågning af ML-modeller under gradvise distributionsskift, som langsomt nedbryder nøjagtigheden uopdaget. Vi foreslår inkremental usikkerhedsbevidst ydelsesovervågning (IUPM), en etiketfri metode, der estimerer ydeevneændringer ved hjælp af optimal transport. IUPM kvantificerer forudsigelsesusikkerhed og bruger aktiv mærkning under et begrænset budget til at gendanne estimater, hvilket overgår basislinjerne i skiftscenarier.
Se på udgiverens side

Wiki-Tabner: Integrering af navngivne enhedsgenkendelser i Wikipedia-tabeller

Udgivet i: 2025 International ACM SIGIR konference om forskning og udvikling inden for informationssøgning
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Eksisterende tabelfortolkningsbenchmarks forenkler ofte data fra den virkelige verden. For at løse dette introducerer vi WIKI-Tabner, et udfordrende datasæt med komplekse Wikipedia-tabeller med flere enheder pr. celle, kommenteret ved hjælp af DBpedia-klasser. Designet til navngivet enhedsgenkendelse (NER) i tabellen og enhedssammenkædning, detaljerer vi dens funktioner, mærkning og en LLM-evalueringsramme efterfulgt af kvalitativ analyse af modelydelse og datasætbegrænsninger.
Se på udgiverens side

Lightning UQ Box: Usikkerhedskvantificering for neurale netværk

Udgivet i: Tidsskrift for maskinlæringsforskning 26 (2025)
Nils Lehmann, Nina Maria Gottschling, Jacob Gawlikowski, Adam J.Stewart, Stefan Depeweg, Eric Nalisnick

På trods af deep learning's succes forårsager dens sorte bokse-karakter og manglende tillidsestimater skepsis inden for kritiske områder som medicin. For at gøre usikkerhedskvantificering (UQ) mere tilgængelig og genanvendelig introducerer vi Lightning UQ Box, et PyTorch-baseret bibliotek drevet af PyTorch Lightning. Det understøtter klassificering, regression og segmentering på tværs af forskellige UQ-metoder, hvilket giver praktikere skalerbare, brugsklare værktøjer.
Se på udgiverens side

Finkornet usikkerhedsnedbrydning i store sprogmodeller: En spektral tilgang

Udgivet i: Forhandlinger fra AAAI-konferencen om kunstig intelligens (AAAI26)
Nassim Walha¹², Sebastian G. Gruber⇓, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³⁴
(¹ Tysk kræftforskningscenter (DKFZ), ² Tysk kræftkonsortium (DKTK), ³ Frankfurt Cancer Institute, Tyskland, ⁴ Goethe University Frankfurt, Tyskland, ⁄ ESAT-PSI, KU Leuven, Belgien, Siemens AG, LMU München, München Center for Machine Learning (MCML), Tysk Center for Kunstig Intelligens (DFKI), Kaiserslautern, Tyskland)

Da LLM'er integreres i forskellige applikationer, er det afgørende at opnå pålidelige prædiktive usikkerhedsmål. At skelne mellem aleatorisk datatetydighed og epistemiske modelbegrænsninger er afgørende for at adressere hver kilde. Vi introducerer spektral usikkerhed, en tilgang, der bruger kvanteinformationsteoriens Von Neumann-entropi til strengt at adskille total usikkerhed i aleatoriske og epistemiske komponenter. Ved at udnytte semantisk lighed overgår den avancerede metoder på tværs af forskellige modeller og benchmarks.
Se på udgiverens side