Technologies de base de l'entreprise

Données et intelligence artificielle

La recherche sur les données et l'IA développe des technologies intelligentes qui combinent les données industrielles, les connaissances en ingénierie et l'IA pour résoudre des défis complexes du monde réel. L'accent est mis sur les systèmes d'IA fiables et explicables qui améliorent les opérations industrielles, la prise de décision, la durabilité et la productivité à grande échelle.

Explorez les publications

Et si nous pouvions atteindre l'intelligence industrielle dans les industries et les infrastructures critiques ?

Les données industrielles sont une ressource rare par rapport aux vastes volumes de données des médias sociaux. Un accent particulier est mis sur le contexte industriel, où les données sont caractérisées par des processus physiques, des séries chronologiques et des dynamiques complexes des systèmes. Les systèmes d'IA doivent être fiables, robustes et dignes de confiance pour répondre aux exigences strictes en matière de qualité, de sécurité et d'exploitation de l'industrie et des infrastructures critiques.

Ce qui compte : l'IA et les technologies d'analyse de données qui créent un impact sur toute la chaîne de valeur industrielle.

Image divisée montrant des brins de fibre optique brillants sur la gauche et une équipe portant

Deux collègues examinent un grand écran de tableau de bord avec

Les technologies de données et d'intelligence artificielle fournissent un cadre de bout en bout pour l'intelligence industrielle. Les modèles de base multimodaux et l'IA générative alimentent les flux de travail spécifiques au domaine, le réglage et la conception. La co-intelligence homme-IA intègre des copilots, des flux de travail agentiques et des contrôles human-in-the-loop explicables. Derrière ces applications, des modèles sémantiques, des graphiques de connaissances et des analyses de séries chronologiques organisent les données pour permettre la maintenance prédictive et la prise de décision opérationnelle.

Les MLOP et les déploiements en périphérie régissent le cycle de vie de l'IA, soutenus par des algorithmes d'optimisation et une IA physique et neuro-symbolique fondée sur des contraintes du monde réel. Enfin, des cadres d'IA fiables garantissent la sécurité totale, la gestion des risques et la conformité réglementaire.

Ceci Technologie de base de l'entreprise stimule les opérations intelligentes tout au long du cycle de vie industriel. Les copilots et assistants agentiques spécifiques au domaine rationalisent les flux de travail d'ingénierie, de conception, de codage et de service. L'analyse prédictive, les modèles de base et l'optimisation permettent l'intelligence opérationnelle, le contrôle en boucle fermée, la planification et la maintenance des actifs dans les espaces de données multimodaux.

La robotique et l'IA physique soutiennent la perception visuelle, l'orchestration des tâches et le contrôle précis des mouvements. Les structures de données sémantiques et les ontologies intègrent ces systèmes, tandis que les plateformes d'entreprise gèrent le déploiement en périphérie, les risques liés à l'IA et les tests de conformité.

L'orchestration de l'entonnoir d'innovation de produits d'IA de Siemens et la gouvernance des données et de l'IA complètent ces activités de recherche.

Icône pour les données et l'intelligence artificielle

Publications

Explorez nos articles vedettes

Améliorer les explications basées sur les perturbations en comprenant le rôle de l'étalonnage des incertitudes

Publié dans : 39e Conférence sur les systèmes de traitement de l'information neuronale (NeuriPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner³
(¹ Siemens, ² LMU Munich, ³ Centre de Munich pour l'apprentissage automatique (MCML), ⁴ Université Goethe de Francfort, ⁴ Centre allemand de recherche sur le cancer, ¹ Consortium allemand sur le cancer)

Les explications basées sur les perturbations améliorent la transparence du ML, mais le comportement inconnu des modèles sous perturbations compromet leur fiabilité. Nous prouvons que les modèles produisent des estimations de probabilité peu fiables sous ces perturbations, dégradant directement la qualité des explications locales et globales. Nous proposons RecalX pour recalibrer les modèles pour de meilleures explications sans altérer les prédictions originales, améliorant la robustesse.
Voir sur la page de l'éditeur

Surveillance des performances incrémentielle tenant compte de l'incertitude avec intervention active en matière d'étiquetage

Publié dans : Actes de la 28e Conférence internationale sur l'intelligence artificielle et les statistiques, PMLR 258:2188‑2196, 2025
Alexander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

Nous étudions la surveillance des modèles ML sous des changements de distribution graduels, qui dégradent lentement la précision sans être détectés. Nous proposons la surveillance incrémentielle des performances consciente de l'incertitude (IUPM), une méthode sans étiquette qui estime les changements de performance en utilisant un transport optimal. L'IUPM quantifie l'incertitude de prédiction et utilise l'étiquetage actif sous un budget limité pour rétablir les estimations, surperformant les lignes de base dans les scénarios de quarts de travail.
Voir sur la page de l'éditeur

Wiki-tabner : Intégration de la reconnaissance d'entités nommées dans les tables Wikipédia

Publié dans : Conférence internationale ACM SIGIR 2025 sur la recherche et le développement en recherche d'informations
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Les benchmarks d'interprétation de table existants simplifient souvent à l'excès les données du monde réel. Pour résoudre ce problème, nous présentons Wiki-Tabner, un ensemble de données stimulant comprenant des tables Wikipédia complexes avec plusieurs entités par cellule, annotées à l'aide de classes DBpedia. Conçu pour la reconnaissance d'entités nommées (NER) dans le tableau et la liaison d'entités, nous détaillons ses fonctionnalités, son étiquetage et un cadre d'évaluation LLM, suivis d'une analyse qualitative des performances du modèle et des limites des ensembles de données.
Voir sur la page de l'éditeur

Lightning UQ Box : Quantification de l'incertitude pour les réseaux de neurones

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

Malgré le succès de l'apprentissage profond, sa nature de boîte noire et l'absence d'estimations de confiance suscite le scepticisme dans des domaines critiques comme la médecine. Pour rendre la quantification de l'incertitude (UQ) plus accessible et réutilisable, nous présentons Lightning UQ Box, une bibliothèque basée sur PyTorch powered by PyTorch Lightning. Il prend en charge la classification, la régression et la segmentation à travers diverses méthodes UQ, donnant aux praticiens des outils évolutifs et prêts à l'emploi.
Voir sur la page de l'éditeur

Décomposition de l'incertitude à grain fin dans les grands modèles linguistiques : Une approche spectrale

Publié dans : Actes de la Conférence de l'AAAI sur l'intelligence artificielle (AAAI26)
Nassim Walha¹²⁴, Sebastian G. Gruber⁴, Thomas Decker*, Yinchong Yang¹, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³⁴
(¹ Centre allemand de recherche sur le cancer (DKFZ), ² Consortium allemand sur le cancer (DKTK), ³ Institut du cancer de Francfort, Allemagne, ⁴ Université Goethe de Francfort, Allemagne, ⁵ ESAT-PSI, KU Leuven, Belgique, ¹ Siemens AG, LMU Munich, Centre d'apprentissage automatique de Munich (MCML), Centre allemand d'intelligence artificielle (DFKI), Kaiserslautern, Allemagne)

Alors que les LLM s'intègrent dans diverses applications, il est essentiel d'obtenir des mesures d'incertitude prédictives fiables. La distinction entre l'ambiguïté aléatoire des données et les limites du modèle épistémique est essentielle pour traiter chaque source. Nous introduisons l'incertitude spectrale, une approche utilisant l'entropie de Von Neumann de la théorie de l'information quantique pour séparer rigoureusement l'incertitude totale en composantes aléatoires et épistémiques. En tirant parti de la similarité sémantique, il surpasse les méthodes de pointe sur divers modèles et benchmarks.
Voir sur la page de l'éditeur