Technologies de base de l'entreprise

Données et intelligence artificielle

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

Explorez les publications

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

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

Ce qui compte : des technologies d'intelligence artificielle et d'analyse des données qui ont un impact sur l'ensemble de la chaîne de valeur industrielle.

Image divisée montrant des fils de fibres optiques incandescents sur la gauche et le port d'une équipe

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, le réglage et la conception spécifiques à un domaine. La co-intelligence entre l'homme et l'IA intègre des copilotes, des flux de travail agentiques et des commandes expliquées par l'homme dans le circuit. Derrière ces applications, des modèles sémantiques, des graphes de connaissances et des analyses de séries chronologiques organisent les données pour permettre la maintenance prédictive et la prise de décisions opérationnelles.

Les MLOps et les déploiements en périphérie régissent le cycle de vie de l'IA, grâce à des algorithmes d'optimisation et à une IA physique et neurosymbolique basée sur des contraintes du monde réel. Enfin, des cadres d'IA fiables garantissent une sécurité totale, la gestion des risques et la conformité réglementaire.

Ceci Technologie de base de l'entreprise permet des opérations intelligentes tout au long du cycle de vie industriel. Les copilotes et assistants d'agence spécifiques à un domaine rationalisent les flux de travail liés à l'ingénierie, à la conception, au codage et aux services. 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 renforcent 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 des produits d'IA de Siemens et la gouvernance des données et de l'IA complètent ces activités de recherche.

Icône des données et de l'intelligence artificielle

Publications

Découvrez nos articles en vedette

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 Decker¹ ²³, Volker Tresp²³, Florian Büttner
(¹ Siemens, ² LMU Munich, ³ Centre d'apprentissage automatique de Munich (MCML), 4 Université Goethe de Francfort, 5 Centre allemand de recherche sur le cancer, 6 Consortium allemand sur le cancer)

Les explications basées sur les perturbations améliorent la transparence du machine learning, mais le comportement inconnu des modèles en cas de perturbations compromet leur fiabilité. Nous prouvons que les modèles produisent des estimations de probabilité peu fiables en cas de telles perturbations, dégradant ainsi directement la qualité des explications locales et globales. Nous proposons RecalX pour recalibrer les modèles pour de meilleures explications sans modifier les prévisions initiales, afin d'améliorer la robustesse.
Afficher sur la page de l'éditeur

Surveillance progressive des performances en tenant compte des incertitudes grâce à une 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 selon des changements de distribution progressifs, qui dégradent lentement la précision sans être détectés. Nous proposons la surveillance incrémentale des performances consciente des incertitudes (IUPM), une méthode sans étiquette qui estime les changements de performances en utilisant un transport optimal. L'IUPM quantifie l'incertitude des prévisions et utilise un étiquetage actif dans le cadre d'un budget limité pour rétablir les estimations, surpassant ainsi les niveaux de référence dans les scénarios de changement.
Afficher sur la page de l'éditeur

Wiki-tabner : Intégrer la reconnaissance des entités nommées dans les tableaux Wikipédia

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

Les benchmarks d'interprétation des tableaux existants simplifient souvent à l'excès les données du monde réel. Pour y remédier, nous présentons Wiki-Tabner, un jeu de données complexe contenant des tableaux Wikipédia complexes contenant plusieurs entités par cellule, annotés à l'aide des classes DBpedia. Conçu pour la reconnaissance d'entités nommées (NER) dans le tableau et la mise en relation 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.
Afficher 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 du deep learning, sa nature de boîte noire et l'absence d'estimations de confiance suscitent le scepticisme dans des domaines critiques tels que la médecine. Pour rendre la quantification des incertitudes (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 selon diverses méthodes UQ, offrant ainsi aux praticiens des outils évolutifs et prêts à l'emploi.
Afficher sur la page de l'éditeur

Décomposition fine des incertitudes dans les grands modèles linguistiques : une approche spectrale

Publié dans : Actes de la conférence de l'AAAI sur l'intelligence artificielle (AAAI26)
Nassim Walha¹ ², Sebastian G. Gruber, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³³
(¹ Centre allemand de recherche sur le cancer (DKFZ) ², Consortium allemand contre le cancer (DKTK), ³ Institut du cancer de Francfort, Allemagne,,, ESAT-PSI, KU Leuven, Belgique, Siemens AG, LMU Munich, Centre d'apprentissage automatique de Munich (MCML), Centre allemand d'intelligence artificielle (DFKI), Kaiserslautern, Allemagne)

Les LLM étant intégrés à diverses applications, il est essentiel d'obtenir des mesures d'incertitude prédictive fiables. Il est essentiel de faire la distinction entre l'ambiguïté aléatoire des données et les limites du modèle épistémique pour aborder 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 similitude sémantique, elle surpasse les méthodes les plus modernes sur divers modèles et benchmarks.
Afficher sur la page de l'éditeur