Osnovne tehnologije tvrtke

Podaci i umjetna inteligencija

Istraživanje podataka i umjetne inteligencije razvija inteligentne tehnologije koje kombiniraju industrijske podatke, inženjersko znanje i umjetnu inteligenciju za rješavanje složenih izazova u stvarnom svijetu. Fokus je na pouzdanim, objašnjivim AI sustavima koji poboljšavaju industrijske operacije, donošenje odluka, održivost i produktivnost u razmjerima.

Istražite publikacije

Što ako bismo mogli postići industrijsku inteligenciju u industriji i kritičnoj infrastrukturi?

Industrijski podaci oskudan su resurs u usporedbi s ogromnim količinama podataka društvenih medija. Poseban naglasak stavljen je na industrijski kontekst, gdje podatke karakteriziraju fizički procesi, vremenske serije i složena dinamika sustava. AI sustavi moraju biti pouzdani, robusni i pouzdani kako bi udovoljili strogim zahtjevima kvalitete, sigurnosti i rada industrije i kritične infrastrukture.

Ono što je važno: AI i tehnologije analitike podataka koje stvaraju utjecaj u cijelom industrijskom lancu vrijednosti.

Podijeljena slika koja prikazuje užarene optičke niti s lijeve strane i tim koji nosi

Dva kolega pregledavaju veliki zaslon nadzorne ploče s

Tehnologije podataka i umjetne inteligencije pružaju sveobuhvatni okvir za industrijsku inteligenciju. Multimodalni modeli temelja i generativni tijekovi rada specifični za domenu AI napajanja, fino podešavanje i dizajn. Kointeligencija čovjeka i umjetne inteligencije integrira kopilote, agentičke tijekove rada i objašnjive kontrole čovjeka u petlji. Iza ovih aplikacija, semantički modeli, grafikoni znanja i analitika vremenskih serija organiziraju podatke kako bi omogućili prediktivno održavanje i operativno donošenje odluka.

MLOP-ovi i rubne implementacije upravljaju životnim ciklusom umjetne inteligencije, podržani algoritmima optimizacije i fizičkom, neuro-simboličkom AI utemeljenom na ograničenjima u stvarnom svijetu. Konačno, pouzdani okviri umjetne inteligencije osiguravaju potpunu sigurnost, upravljanje rizicima i usklađenost s propisima.

Ovo Osnovna tehnologija tvrtke pokreće pametne operacije tijekom cijelog životnog ciklusa industrije. Kopiloti specifični za domenu i agentički asistenti pojednostavljuju tijekove rada inženjeringa, dizajna, kodiranja i usluga. Prediktivna analitika, temeljni modeli i optimizacija omogućuju operativnu inteligenciju, kontrolu zatvorene petlje, planiranje i održavanje imovine u multimodalnim podatkovnim prostorima.

Robotika i fizička umjetna inteligencija podržavaju vizualnu percepciju, orkestraciju zadataka i preciznu kontrolu pokreta. Semantičke strukture podataka i ontologije integriraju ove sustave, dok poslovne platforme upravljaju implementacijom ruba, rizikom umjetne inteligencije i testiranjem usklađenosti.

Orkestracija Siemensovog lijevka za inovacije proizvoda umjetne inteligencije i upravljanje podacima i umjetnom inteligencijom nadopunjuju ove istraživačke aktivnosti.

Ikona za podatke i umjetnu inteligenciju

Publikacije

Istražite naše istaknute radove

Poboljšanje objašnjenja zasnovanih na smetnjama razumijevanjem uloge kalibracije nesigurnosti

Objavljeno u: 39. konferencija o sustavima za obradu neuronskih informacija (NeuRIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner
(¹ Siemens, ² LMU München, ³ Münchenski centar za strojno učenje (MCML), Sveučilište Goethe u Frankfurtu, Njemački centar za istraživanje raka, Njemački konzorcij za rak)

Objašnjenja zasnovana na smetnjama poboljšavaju transparentnost ML -a, ali nepoznato ponašanje modela pod poremećajima ugrožava njihovu pouzdanost. Dokazujemo da modeli proizvode nepouzdane procjene vjerojatnosti pod tim poremećajima, izravno narušavajući lokalnu i globalnu kvalitetu objašnjenja. Predlažemo RecalX da ponovno kalibrira modele za bolja objašnjenja bez promjene izvornih predviđanja, poboljšavajući robusnost.
Pogledaj na stranici izdavača

Inkrementalno praćenje performansi svjesno neizvjesnosti uz aktivnu intervenciju označavanja

Objavljeno u: Zbornik radova 28. međunarodne konferencije o umjetnoj inteligenciji i statistici, PMLR 258:2188‑2196, 2025
Alexander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

Proučavamo praćenje ML modela pod postupnim pomacima distribucije, koji polako pogoršavaju točnost neotkrivenu. Predlažemo inkrementalno praćenje performansi svjesno neizvjesnosti (IUPM), metodu bez oznaka koja procjenjuje promjene performansi pomoću optimalnog transporta. IUPM kvantificira nesigurnost predviđanja i koristi aktivno označavanje pod ograničenim proračunom za vraćanje procjena, nadmašujući osnovne crte u scenarijima smjene.
Pogledaj na stranici izdavača

Wiki-tabner: Integriranje prepoznavanja imenovanih entiteta u Wikipedia tablice

Objavljeno u: 2025 Međunarodna ACM SIGIR konferencija o istraživanju i razvoju u pronalaženju informacija
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Postojeća mjerila za tumačenje tablica često pretjerano pojednostavljuju podatke iz stvarnog svijeta. Da bismo to riješili, predstavljamo Wiki-Tabner, izazovan skup podataka koji sadrži složene Wikipedia tablice s više entiteta po ćeliji, označene pomoću klasa DBpedia. Dizajniran za prepoznavanje entiteta u tablici (NER) i povezivanje entiteta, detaljno opisujemo njegove značajke, označavanje i okvir za procjenu LLM-a, nakon čega slijedi kvalitativna analiza performansi modela i ograničenja skupa podataka.
Pogledaj na stranici izdavača

Lightning UQ Box: Kvantifikacija nesigurnosti za neuronske mreže

Objavljeno u: Časopis za istraživanje strojnog učenja 26 (2025)
Nils Lehmann, Nina Maria Gottschling, Jakob Gawlikowski, Adam J. Stewart, Stefan Depeweg, Eric Nalisnick

Unatoč uspjehu dubokog učenja, njegova priroda crne kutije i nedostajuće procjene povjerenja izazivaju skepticizam u kritičnim područjima poput medicine. Kako bismo kvantifikaciju nesigurnosti (UQ) učinili dostupnijom i višekratnom upotrebom, predstavljamo Lightning UQ Box, biblioteku temeljenu na PyTorchu koju powered by PyTorch Lightning. Podržava klasifikaciju, regresiju i segmentaciju kroz različite UQ metode, pružajući praktičarima skalabilne alate spremne za upotrebu.
Pogledajte na stranici izdavača

Finozrnata dekompozicija nesigurnosti u velikim jezičnim modelima: spektralni pristup

Objavljeno u: Zbornik radova AAAI konferencije o umjetnoj inteligenciji (AAAI26)
Nassim Walha¹², Sebastian G. Gruber, Thomas Decker, Yinchong Yang, Alireza Javanmardi8, Eyke Hüllermeier, Florian Buettner¹²³
(¹ Njemački centar za istraživanje raka (DKFZ), ² Njemački konzorcij za rak (DKTK), ³ Frankfurtski institut za rak, Njemačka, Goethe Sveučilište u Frankfurtu, Njemačka, ESAT-PSI, KU Leuven, Belgija, Siemens AG, LMU München, Münchenski centar za strojno učenje (MCML), Njemački centar za umjetnu inteligenciju (DFKI), Kaiserslautern, Njemačka)

Kako se LLM-ovi integriraju u različite aplikacije, presudno je dobivanje pouzdanih mjera predviđanja nesigurnosti. Razlikovanje dvosmislenosti aleatoričnih podataka i ograničenja epistemičkog modela bitno je za rješavanje svakog izvora. Uvodimo spektralnu nesigurnost, pristup koji koristi Von Neumannovu entropiju kvantne teorije informacija za rigorozno odvajanje ukupne nesigurnosti na aleatorične i epistemičke komponente. Koristeći semantičku sličnost, nadmašuje najsuvremenije metode u različitim modelima i mjerilima.
Pogledaj na stranici izdavača