Kerntechnologien des Unternehmens

Daten und künstliche Intelligenz

Die Daten- und KI-Forschung entwickelt intelligente Technologien, die Industriedaten, technisches Wissen und KI kombinieren, um komplexe reale Herausforderungen zu lösen. Der Schwerpunkt liegt auf vertrauenswürdigen, erklärbaren KI-Systemen, die industrielle Abläufe, Entscheidungsfindung, Nachhaltigkeit und Produktivität in großem Maßstab verbessern.

Entdecken Sie Veröffentlichungen

Was wäre, wenn wir industrielle Intelligenz in Branchen und kritischen Infrastrukturen erreichen könnten?

Industriedaten sind im Vergleich zu den riesigen Mengen an Social-Media-Daten eine knappe Ressource. Besonderes Gewicht wird auf den industriellen Kontext gelegt, in dem Daten durch physikalische Prozesse, Zeitreihen und komplexe Systemdynamiken gekennzeichnet sind. KI-Systeme müssen zuverlässig, robust und vertrauenswürdig sein, um die strengen Qualitäts-, Sicherheits- und Betriebsanforderungen der Industrie und kritischer Infrastrukturen zu erfüllen.

Worauf es ankommt: KI- und Datenanalysetechnologien, die Auswirkungen auf die gesamte industrielle Wertschöpfungskette haben.

Geteiltes Bild mit glühenden Glasfasersträngen auf der linken Seite und einem Team, das

Zwei Kollegen überprüfen ein großes Armaturenbrettdisplay mit

Daten- und künstliche Intelligenztechnologien bieten ein durchgängiges Framework für industrielle Intelligenz. Multimodale Grundmodelle und generative KI unterstützen domänenspezifische Workflows, Feinabstimmungen und Designs. Die gemeinsame Intelligenz zwischen Mensch und KI integriert Copiloten, agentische Arbeitsabläufe und erklärbare menschliche Steuerungen. Hinter diesen Anwendungen stehen semantische Modelle, Wissensgraphen und Zeitreihenanalysen, die Daten so organisieren, dass sie eine vorausschauende Wartung und betriebliche Entscheidungsfindung ermöglichen.

MLOps und Edge-Bereitstellungen regeln den KI-Lebenszyklus, unterstützt durch Optimierungsalgorithmen und physische, neurosymbolische KI, die auf realen Einschränkungen basiert. Schließlich gewährleisten vertrauenswürdige KI-Frameworks die vollständige Sicherheit, das Risikomanagement und die Einhaltung gesetzlicher Vorschriften.

Das Kerntechnologie des Unternehmens unterstützt intelligente Abläufe im gesamten industriellen Lebenszyklus. Domänenspezifische Copiloten und Agentenassistenten optimieren die Arbeitsabläufe in den Bereichen Technik, Design, Programmierung und Service. Prädiktive Analytik, Basismodelle und Optimierung ermöglichen betriebliche Intelligenz, geschlossene Regelkreise, Planung und Anlagenwartung in multimodalen Datenräumen.

Robotik und physische KI unterstützen visuelle Wahrnehmung, Aufgabenorchestrierung und präzise Bewegungssteuerung. Semantische Datenstrukturen und Ontologien integrieren diese Systeme, während Unternehmensplattformen Edge-Bereitstellung, KI-Risiko- und Compliance-Tests verwalten.

Die Orchestrierung des KI-Produktinnovationstrichters von Siemens und die Verwaltung von Daten und KI ergänzen diese Forschungsaktivitäten.

Symbol für Daten und künstliche Intelligenz

Publikationen

Erkunden Sie unsere Fachartikel

Verbesserung der auf Störungen beruhenden Erklärungen durch ein Verständnis der Rolle der Unsicherheitskalibrierung

Veröffentlicht in: 39. Konferenz über neuronale Informationsverarbeitungssysteme (NeurIPS 2025)
Thomas Decker¹ ²³, Volker Tresp²³, Florian Büttner
(¹ Siemens, ² LMU München, ³ Munich Center for Machine Learning (MCML), 4 Goethe-Universität Frankfurt, 5 Deutsches Krebsforschungszentrum, 5 Deutsches Krebskonsortium)

Auf Störungen beruhende Erklärungen erhöhen die ML-Transparenz, aber unbekanntes Modellverhalten unter Störungen beeinträchtigt deren Zuverlässigkeit. Wir beweisen, dass Modelle unter diesen Störungen unzuverlässige Wahrscheinlichkeitsschätzungen liefern, was die lokale und globale Erklärungsqualität direkt beeinträchtigt. Wir schlagen RecalX vor, um Modelle für bessere Erklärungen neu zu kalibrieren, ohne die ursprünglichen Vorhersagen zu ändern, wodurch die Robustheit verbessert wird.
Auf der Verlagsseite ansehen

Inkrementelle unsicherheitsbewusste Leistungsüberwachung mit aktiver Kennzeichnungsintervention

Veröffentlicht in: Tagungsband der 28. Internationalen Konferenz über künstliche Intelligenz und Statistik, PMLR 258:2188‑2196, 2025
Alexander Köbler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Büttner

Wir untersuchen Monitoring-ML-Modelle unter allmählichen Verteilungsverschiebungen, die die Genauigkeit langsam und unentdeckt verschlechtern. Wir schlagen eine inkrementelle unsicherheitsbewusste Leistungsüberwachung (IUPM) vor, eine kennzeichnungsfreie Methode, die Leistungsänderungen unter Verwendung optimaler Transportwege schätzt. Die IUPM quantifiziert die Prognoseunsicherheit und verwendet aktive Etikettierung unter einem begrenzten Budget, um Schätzungen wiederherzustellen, wodurch die Ausgangswerte in Schicht-Szenarien übertroffen werden.
Auf der Verlagsseite ansehen

Wiki-Tabner: Integration der Erkennung benannter Entitäten in Wikipedia-Tabellen

Veröffentlicht in: Internationale ACM SIGIR-Konferenz 2025 über Forschung und Entwicklung im Bereich Informationsabruf
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Bestehende Benchmarks zur Tabelleninterpretation vereinfachen reale Daten oft zu sehr. Um dem zu begegnen, führen wir Wiki-Tabner ein, einen anspruchsvollen Datensatz mit komplexen Wikipedia-Tabellen mit mehreren Entitäten pro Zelle, kommentiert mit DBpedia-Klassen. Konzipiert für Named Entity Recognition (NER) in der Tabelle und Entitätsverknüpfung, beschreiben wir die Funktionen, die Kennzeichnung und einen LLM-Bewertungsrahmen, gefolgt von einer qualitativen Analyse der Modellleistung und der Datensatzbeschränkungen.
Auf der Verlagsseite ansehen

Lightning UQ Box: Quantifizierung von Unsicherheiten für neuronale Netzwerke

Veröffentlicht in: Journal of Machine Learning Research 26 (2025)
Nils Lehmann, Nina Maria Gottschling, Jakob Gawlikowski, Adam J. Stewart, Stefan Depeweg, Eric Nalisnick

Trotz des Erfolgs von Deep Learning sorgen sein Blackbox-Charakter und fehlende Vertrauensschätzungen in kritischen Bereichen wie der Medizin für Skepsis. Um Unsicherheitsquantifizierung (UQ) zugänglicher und wiederverwendbarer zu machen, führen wir Lightning UQ Box ein, eine auf PyTorch basierende Bibliothek, die von PyTorch Lightning unterstützt wird. Es unterstützt Klassifikation, Regression und Segmentierung über verschiedene UQ-Methoden hinweg und bietet Praktikern skalierbare, sofort einsatzbereite Tools.
Auf der Verlagsseite ansehen

Feinkörnige Unsicherheitszerlegung in großen Sprachmodellen: Ein spektraler Ansatz

Veröffentlicht in: Tagungsband der AAAI-Konferenz über künstliche Intelligenz (AAAI26)
Nassim Walha, Sebastian G. Gruber, Thomas Decker, Yinchong Yang, Alireza Javanmardi, H. Gruber, Thomas Decker, Yke Hüllermeier, Yke Hüllermeier, Florian Büttner, Florian Büttner,
(¹ Deutsches Krebsforschungszentrum (DKFZ), ² Deutsches Krebskonsortium (DKTK), ³ Frankfurter Krebsinstitut, Deutschland, ³ Goethe-Universität Frankfurt, Deutschland, ⁵ ESAT-PSI, KU Löwen, Belgien, Siemens AG, LMU München, Munich Center for Machine Learning (MCML), Deutsches Zentrum für Künstliche Intelligenz (DFKI), Kaiserslautern, Deutschland)

Da sich LLMs in verschiedene Anwendungen integrieren lassen, ist es entscheidend, zuverlässige prädiktive Unsicherheitsmaße zu erhalten. Es ist wichtig, zwischen aleatorischer Datenmehrdeutigkeit und epistemischen Modelleinschränkungen zu unterscheiden, um jede Quelle zu berücksichtigen. Wir führen spektrale Unsicherheit ein, einen Ansatz, der die Von-Neumann-Entropie der Quanteninformationstheorie nutzt, um die totale Unsicherheit strikt in aleatorische und epistemische Komponenten zu unterteilen. Durch die Nutzung semantischer Ähnlichkeit übertrifft es modernste Methoden in verschiedenen Modellen und Benchmarks.
Auf der Verlagsseite ansehen