Empresa Core Technologies

Datos e Inteligencia Artificial

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

Explore las publicaciones

¿Y si pudiéramos lograr inteligencia industrial en industrias e infraestructuras críticas?

Los datos industriales son un recurso escaso en comparación con los grandes volúmenes de datos de redes sociales. Se hace especial hincapié en el contexto industrial, donde los datos se caracterizan por procesos físicos, series temporales y dinámicas complejas de sistemas. Los sistemas de IA deben ser confiables, robustos y confiables para cumplir con los estrictos requisitos de calidad, seguridad y operación de la industria y la infraestructura crítica.

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

Imagen dividida que muestra hebras de fibra óptica brillantes a la izquierda y un equipo usando

Dos colegas revisando una pantalla de tablero grande con

Las tecnologías de datos e inteligencia artificial ofrecen un marco de extremo a extremo para la inteligencia industrial. Los modelos de base multimodales y la IA generativa potencian los flujos de trabajo específicos del dominio, el ajuste fino y el diseño. La cointeligencia humana-IA integra copilotos, flujos de trabajo de agentes y controles explicables humanos en el bucle. Detrás de estas aplicaciones, modelos semánticos, gráficos de conocimiento y análisis de series temporales organizan los datos para permitir el mantenimiento predictivo y la toma de decisiones operativas.

Los MLOP y las implementaciones perimetrales gobiernan el ciclo de vida de la IA, respaldados por algoritmos de optimización e IA física y neurosimbólica basada en restricciones del mundo real. Finalmente, los marcos de IA confiables garantizan la seguridad completa, la administración de riesgos y el cumplimiento normativo.

Este Tecnología central de la compañía impulsa las operaciones inteligentes a lo largo del ciclo de vida industrial. Los copilotos específicos del dominio y los asistentes de agencia optimizan 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 de bucle cerrado, la programación y el mantenimiento de activos en espacios de datos multimodales.

La robótica y la IA física apoyan la percepción visual, la orquestación de tareas y el control preciso del movimiento. Los tejidos de datos semánticos y las ontologías integran estos sistemas, mientras que las plataformas empresariales gestionan la implementación perimetral, el riesgo de IA y las pruebas de cumplimiento.

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

Icono para datos e inteligencia artificial

Publicaciones

Explore nuestros artículos destacados

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

Publicado en: 39a Conferencia sobre Sistemas de Procesamiento de Información Neuronal (NeuIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner
(¹ Siemens, ² LMU Munich, ³ Centro de Aprendizaje Automático de Múnich (MCML), 4 Universidad Goethe de Frankfurt, 5 Centro Alemán de Investigación del Cáncer, 6 Consorcio Alemán del Cáncer)

Las explicaciones basadas en perturbaciones mejoran la transparencia del aprendizaje automático, pero el comportamiento desconocido del modelo bajo perturbaciones compromete su confiabilidad. Demostramos que los modelos producen estimaciones de probabilidad poco confiables bajo estas perturbaciones, degradando directamente la calidad de las explicaciones locales y globales. Proponemos RecalX para recalibrar modelos para obtener mejores explicaciones sin alterar las predicciones originales, mejorando la robustez.
Ver en la página del editor

Monitoreo incremental del rendimiento consciente de la incertidumbre con intervención activa de etiquetado

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

Estudiamos el monitoreo de modelos ML bajo cambios de distribución graduales, que degradan lentamente la precisión sin ser detectados. Proponemos la supervisión incremental del rendimiento consciente de la incertidumbre (IUPM), un método sin etiquetas que estima los cambios en el rendimiento utilizando un transporte óptimo. IUPM cuantifica la incertidumbre de predicción y utiliza etiquetado activo bajo un presupuesto limitado para restaurar las estimaciones, superando las líneas de base en escenarios de turnos.
Ver en la página del editor

Wiki-tabner: Integración del reconocimiento de entidades nombradas en las tablas de Wikipedia

Publicado en: Conferencia Internacional ACM SIGIR 2025 sobre Investigación y Desarrollo en Recuperación de Información
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Los puntos de referencia de interpretación de tablas existentes a menudo simplifican demasiado los datos del mundo real. Para abordar esto, presentamos Wiki-tabner, un conjunto de datos desafiante que presenta tablas complejas de Wikipedia con múltiples entidades por celda, anotadas usando clases de DBpedia. Diseñado para el reconocimiento de entidades nombradas (NER) en la tabla y la vinculación de entidades, detallamos sus características, etiquetado y un marco de evaluación LLM, seguido de un análisis cualitativo del rendimiento del modelo y las limitaciones del conjunto de datos.
Ver en la página del editor

Lightning UQ Box: Cuantificación de incertidumbre para redes neuronales

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

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

Descomposición de incertidumbre de grano fino en modelos lingüísticos grandes: un enfoque espectral

Publicado en: Actas de la Conferencia AAAI sobre Inteligencia Artificial (AAAI26)
Nassim Walha¹²4, Sebastian G. Gruber5, Thomas Decker', 'Yinchong Yang', Alireza Javanmardi', Eyke Hüllermeier', Florian Buettner¹²³
(¹ Centro Alemán de Investigación del Cáncer (DKFZ), ² Consorcio Alemán del Cáncer (DKTK), ³ Instituto del Cáncer de Frankfurt, Alemania, 4 Universidad Goethe Frankfurt, Alemania, 5 ESAT-PSI, KU Leuven, Bélgica, 6 Siemens AG, 7 LMU Munich, 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 confiables. Distinguir entre la ambigüedad de datos aleatorios y las limitaciones del modelo epistémico es esencial para abordar cada fuente. Introdujimos la incertidumbre espectral, un enfoque que utiliza la entropía de Von Neumann de la teoría cuántica de la información para separar rigurosamente la incertidumbre total en componentes aleatorios y epistémicos. Al aprovechar la similitud semántica, supera a los métodos de vanguardia en diversos modelos y puntos de referencia.
Ver en la página del editor