Empresa Core Technologies

Datos e inteligencia artificial

La investigación de datos e inteligencia artificial desarrolla tecnologías inteligentes que combinan datos industriales, conocimientos de ingeniería e inteligencia artificial para resolver desafíos complejos del mundo real. La atención se centra en los sistemas de IA confiables y explicables que mejoran las operaciones industriales, la toma de decisiones, la sostenibilidad y la productividad a gran escala.

Explore las publicaciones

¿Y si pudiéramos lograr la inteligencia industrial en las industrias y las infraestructuras críticas?

Los datos industriales son un recurso escaso en comparación con los enormes volúmenes de datos de las redes sociales. Se hace especial hincapié en el contexto industrial, en el que los datos se caracterizan por procesos físicos, series temporales y dinámicas de sistemas complejos. Los sistemas de IA deben ser fiables, robustos y fiables para cumplir con los estrictos requisitos de calidad, seguridad y operación de la industria y de las infraestructuras críticas.

Lo que importa: las tecnologías de IA y análisis de datos que crean un impacto en toda la cadena de valor industrial.

Imagen dividida que muestra hilos de fibra óptica brillantes a la izquierda y un equipo vistiendo

Dos colegas revisando una pantalla grande de salpicadero con

Las tecnologías de datos e inteligencia artificial ofrecen un marco integral para la inteligencia industrial. Los modelos básicos multimodales y la IA generativa impulsan los flujos de trabajo, el ajuste y el diseño específicos del dominio. La cointeligencia entre humanos e inteligencia artificial integra copilotos, flujos de trabajo de agencia y controles explicables humanos in the loop. Detrás de estas aplicaciones, los modelos semánticos, los gráficos de conocimiento y los análisis de series temporales organizan los datos para permitir el mantenimiento predictivo y la toma de decisiones operativas.

Los MLOP y los despliegues periféricos rigen el ciclo de vida de la IA, con el apoyo de algoritmos de optimización y una IA física y neurosimbólica basada en las restricciones del mundo real. Por último, unos marcos de IA fiables garantizan la total seguridad, la gestión de riesgos y el cumplimiento normativo.

Esto Tecnología básica de la empresa impulsa las operaciones inteligentes a lo largo del ciclo de vida industrial. Los copilotos y asistentes de agencia de dominios específicos agilizan los flujos de trabajo de ingeniería, diseño, codificación y servicio. El análisis predictivo, los modelos básicos y la optimización permiten la inteligencia operativa, el control en bucle cerrado, la programación y el mantenimiento de activos en los espacios de datos multimodales.

La robótica y la IA física ayudan a la percepción visual, la orquestación de tareas y el control preciso del movimiento. Las estructuras y ontologías de datos semánticos integran estos sistemas, mientras que las plataformas empresariales gestionan el despliegue perimetral, el riesgo de la IA y las pruebas de cumplimiento.

La orquestación del embudo de innovación de productos de IA de Siemens y la gobernanza de los datos y la IA complementan estas actividades de investigación.

Icono de datos e inteligencia artificial

Publicaciones

Explore nuestros artículos destacados

Mejorar las explicaciones basadas en las perturbaciones mediante la comprensión del papel de la calibración de la incertidumbre

Publicado en: 39a Conferencia sobre Sistemas de Procesamiento de Información Neuronal (NeuRIPS 2025)
Thomas Decker²³, Volker Tresp³, Florian Büttner
(¹ Siemens, ² LMU Múnich, ³ Centro de Aprendizaje Automático (MCML) de Múnich, Universidad Goethe de Fráncfort, Centro Alemán de Investigación del Cáncer, Consorcio Alemán del Cáncer)

Las explicaciones basadas en perturbaciones mejoran la transparencia del aprendizaje automático, pero el comportamiento desconocido del modelo ante las perturbaciones compromete su fiabilidad. Demostramos que los modelos producen estimaciones probabilísticas poco fiables en estas perturbaciones, lo que degrada directamente la calidad de la explicación local y mundial. Proponemos RecalX para recalibrar los modelos y obtener mejores explicaciones sin alterar las predicciones originales, lo que mejora la solidez.
Ver en la página del editor

Monitorización incremental del rendimiento en función de la incertidumbre con intervención activa de etiquetado

Publicado en: Actas de la 28ª Conferencia Internacional sobre Inteligencia Artificial y Estadística, PMLR 258:2188-2196, 2025
Alexander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

Estudiamos la monitorización de los modelos de aprendizaje automático con cambios de distribución graduales, que degradan lentamente la precisión sin ser detectados. Proponemos la monitorización incremental del rendimiento en función de la incertidumbre (IUPM), un método sin etiquetas que estima los cambios de rendimiento mediante un transporte óptimo. La IUPM cuantifica la incertidumbre de las predicciones y utiliza el etiquetado activo con un presupuesto limitado para restablecer las estimaciones, superando las líneas de base en los escenarios de turnos.
Ver en la página del editor

Wiki-tabner: Integrar el reconocimiento de entidades con nombre en las tablas de Wikipedia

Publicado en: Conferencia internacional ACM SIGIR de 2025 sobre investigación y desarrollo en la recuperación de información
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Los puntos de referencia de interpretación de tablas existentes suelen simplificar en exceso los datos del mundo real. Para solucionar este problema, presentamos Wiki-Tabner, un complejo conjunto de datos que incluye tablas complejas de Wikipedia con varias entidades por celda, anotadas mediante clases de DBpedia. Diseñado para el reconocimiento de entidades con nombre (NER) y la vinculación de entidades en la tabla, detallamos sus características, su etiquetado y un marco de evaluación de LLM, seguido de un análisis cualitativo del rendimiento del modelo y las limitaciones de los conjuntos de datos.
Ver en la página del editor

Lightning UQ Box: Cuantificación de la incertidumbre para redes neuronales

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

A pesar del éxito del aprendizaje profundo, su naturaleza de caja negra y la falta de estimaciones de confianza provocan escepticismo en campos críticos como la medicina. Para que la cuantificación de la incertidumbre (UQ) sea más accesible y reutilizable, presentamos Lightning UQ Box, una biblioteca basada en PyTorch impulsada por PyTorch Lightning. Soporta la clasificación, la regresión y la segmentación en diversos métodos de la UQ, lo que proporciona a los profesionales herramientas escalables y listas para usar.
Ver en la página del editor

La descomposición minuciosa de la incertidumbre en los grandes modelos lingüísticos: un enfoque espectral

Publicado en: Actas de la Conferencia de la AAAI sobre Inteligencia Artificial (AAAI26)
Nassim Walha²², Sebastian G. Gruber, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner
(¹ Centro Alemán de Investigación del Cáncer (DKFZ), ² Consorcio Alemán del Cáncer (DKTK), ³ Instituto del Cáncer de Fráncfort (Alemania), Universidad Goethe de Fráncfort, Alemania, ESAT-PSI, KU Leuven, Bélgica, Siemens AG, LMU Múnich, Centro de Aprendizaje Automático de Múnich (MCML), Centro Alemán de Inteligencia Artificial (DFKI), Kaiserslautern, Alemania)

A medida que los LLM se integran en diversas aplicaciones, es fundamental obtener medidas de incertidumbre predictivas fiables. Distinguir entre la ambigüedad de los datos aleatorios y las limitaciones del modelo epistémico es esencial para abordar cada fuente. Introducimos la incertidumbre espectral, un enfoque que utiliza la entropía de Von Neumann de la teoría de la información cuántica para separar rigurosamente la incertidumbre total en componentes aleatorios y epistémicos. Al aprovechar la similitud semántica, supera a los métodos más modernos en diversos modelos y puntos de referencia.
Ver en la página del editor