Vállalati Core Technologies

Adatok és mesterséges intelligencia

Az adat- és mesterséges intelligencia-kutatás olyan intelligens technológiákat fejleszt ki, amelyek ötvözik az ipari adatokat, a mérnöki ismereteket és a mesterséges intelligenciát, A hangsúly a megbízható, magyarázható mesterséges intelligencia rendszerekre összpontosít, amelyek nagyszabású javítják az ipari műveleteket, a döntéshozatal, a fenntarthatóságot

Kiadványok felfedezése

Mi lenne, ha ipari intelligenciát tudnánk elérni az iparágakban és a kritikus infrastruktúrákban?

Az ipari adatok szűkös erőforrást jelentenek a közösségi média adatainak hatalmas mennyiségéhez képest. Különös hangsúlyt fektetnek az ipari kontextusra, ahol az adatokat fizikai folyamatok, idősorok és összetett rendszerdinamika jellemzi. Az AI rendszereknek megbízhatónak, robusztusnak és megbízhatónak kell lenniük ahhoz, hogy megfeleljenek az ipar és a kritikus infrastruktúra szigorú minőségi, biztonsági és üzemeltetési követelményeinek.

Ami számít: mesterséges intelligencia és adatelemzési technológiák, amelyek hatással vannak az ipari értékláncra.

Osztott kép, amely a bal oldalon izzó száloptikai szálakat és egy csapatot viselő csapatot ábrázol

Két kolléga áttekint egy nagy műszerfal-kijelzőt

Az adat- és mesterséges intelligencia technológiák teljes körű keretrendszert biztosítanak az ipari intelligencia számára. Multimodális alapmodellek és generatív AI teljesítményű tartományspecifikus munkafolyamatok, finomhangolás és tervezés. Az ember-AI együttintelligencia integrálja a kopilótákat, az ügynöki munkafolyamatokat és a magyarázható human-in-the-loop vezérlőket. Ezen alkalmazások mögött szemantikai modellek, tudásgrafikonok és idősor-elemzések rendezik az adatokat a prediktív karbantartás és az operatív döntéshozatal lehetővé tétele érdekében.

Az MLOP-k és a peremtelepítések szabályozzák az AI életciklusát, amelyet optimalizálási algoritmusok és fizikai, neuroszimbolikus AI támogat, amely valós korlátokra épül. Végül a megbízható mesterséges intelligencia keretek biztosítják a teljes biztonságot, a kockázatkezelést és a szabályozások betartását.

Ez Vállalat alaptechnológiája intelligens műveleteket hajt végre az ipari életciklus során. A tartományspecifikus pilóták és ügynöki asszisztensek egyszerűsítik a tervezési, tervezési, kódolási és szolgáltatási munkafolyamatokat. A prediktív elemzés, az alapmodellek és az optimalizálás lehetővé teszi az operatív intelligenciát, a zárt körű vezérlést, az ütemezést és az eszközök karbantartását a multimodális adatterekben.

A robotika és a fizikai AI támogatja a vizuális észlelést, a feladatszervezést és a precíz mozgásvezérlést. A szemantikus adatszövetek és ontológiák integrálják ezeket a rendszereket, míg a vállalati platformok kezelik a peremtelepítést, az AI kockázatot és a megfelelőségi tesztelést.

A Siemens mesterséges intelligencia termékinnovációs tölcséreinek szervezése, valamint az Data & AI irányítása kiegészíti ezeket a kutatási tevékenységeket.

Ikon az adatokhoz és a mesterséges intelligenciához

Publikációk

Fedezze fel kiemelt dokumentumainkat

A zavarokon alapuló magyarázatok javítása a bizonytalanság kalibrálása szerepének megértésével

Megjelent: 39. konferencia az idegi információfeldolgozó rendszerekről (NeuRIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner
(¹ Siemens, ² LMU München, ³ Müncheni Gépi Tanulási Központ (MCML), Frankfurti Goethe Egyetem, Német Rákkutató Központ, Német Rákkonzorcium)

A zavarokon alapuló magyarázatok javítják az ML átláthatóságát, de az ismeretlen modell viselkedése zavarok alatt veszélyezteti megbízhatóságukat. Bizonyítjuk, hogy a modellek megbízhatatlan valószínűségi becsléseket hoznak létre ezen zavarok alatt, közvetlenül rontva a helyi és globális magyarázat minőségét. Javasoljuk a RecalX-et, hogy a jobb magyarázatok érdekében újrakalibrálja a modelleket az eredeti előrejelzések megváltoztatása nélkül, javítva a robusztusságot.
Megtekintés a kiadó oldalán

Inkrementális bizonytalansággal kapcsolatos teljesítménymonitorozás aktív címkézési beavatkozással

Megjelent: A 28. Nemzetközi Mesterséges Intelligencia és Statisztika Konferencia közleményei, PMLR 258:2188‑2196, 2025
Alexander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

Az ML modellek monitorozását fokozatos eloszlási eltolódások alatt tanulmányozzuk, amelyek lassan észrevétlenül rontják a pontosságot. Javasoljuk az inkrementális bizonytalansággal kapcsolatos teljesítménymonitorozást (IUPM), egy címkementes módszert, amely optimális szállítás segítségével becsüli a teljesítményváltozásokat. Az IUPM számszerűsíti az előrejelzési bizonytalanságot, és korlátozott költségvetés alatt aktív címkézést használ a becslések helyreállításához, felülmúlva az alapvonalakat a váltási forgatókönyvekben.
Megtekintés a kiadó oldalán

Wiki-Tabner: A megnevezett entitásfelismerés integrálása a Wikipédia táblákba

Megjelent: 2025 Nemzetközi ACM SIGIR konferencia az információvisszakeresés kutatásáról és fejlesztésről
Koleva Aneta, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

A meglévő táblázatértelmezési referenciaértékek gyakran túlságosan leegyszerűsítik a valós adatokat. Ennek megoldására bemutatjuk a Wiki-Tabner-t, egy kihívást jelentő adatkészletet, amely összetett Wikipédia-táblákat tartalmaz, amelyek celláenként több entitással rendelkeznek, és amelyek DBpedia osztályok segítségével vannak feliratozva. A táblázaton belüli entitás-felismerésre (NER) és az entitás összekapcsolására tervezve részletezzük annak jellemzőit, címkézését és egy LLM értékelési keretrendszert, amelyet a modell teljesítményének és az adatkészlet korlátainak kvalitatív elemzése követ.
Megtekintés a kiadó oldalán

Lightning UQ Box: A neurális hálózatok bizonytalanságának számszerűsítése

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

A mély tanulás sikere ellenére a fekete doboz jellege és a hiányzó bizalmi becslések szkepticizmust okoznak olyan kritikus területeken, mint az orvostudomány. Annak érdekében, hogy a bizonytalanság számszerűsítését (UQ) hozzáférhetőbbé és újrafelhasználhatóbbá tegyük, bemutatjuk a Lightning UQ Box nevű PyTorch alapú könyvtárat, powered by a PyTorch Lightning működtet. Támogatja a különböző UQ módszerek osztályozását, regresszióját és szegmentálását, így a gyakorlóknak skálázható, használatra kész eszközöket biztosít.
Megtekintés a kiadó oldalán

Finomszemcsés bizonytalanság bomlása nagy nyelvi modellekben: Spektrális megközelítés

Közzétéve: Az AAAI mesterséges intelligencia konferencia folyóiratai (AAAI26)
Nassim Walha¹², Sebastian G. Gruber, Thomas Decker, Yinchong Yang, Alireza Javanmardi8, Eyke Hüllermeier, Florian Buettner¹²³
(¹ Német Rákkutató Központ (DKFZ), ² Német Rákkonzorcium (DKTK), ³ Frankfurti Rákkutató Intézet, Németország, Goethe Egyetem Frankfurti, Németország, ESAT-PSI, KU Leuven, Belgium, Siemens AG, LMU München, München Center for Machine Learning (MCML), Német Mesterséges Intelligencia Központ (DFKI), Kaiserslautern, Németország)

Mivel az LLM-ek különféle alkalmazásokba integrálódnak, kritikus fontosságú a megbízható prediktív bizonytalansági mérések megszerzése. Az egyes források kezeléséhez elengedhetetlen az aleatórikus adatok kétértelműsége és az episztemikus modell korlátai közötti különbségtétel. Bevezetjük a spektrális bizonytalanságot, egy olyan megközelítést, amely a kvantuminformációelmélet Von Neumann entrópiáját használja a teljes bizonytalanság szigorúan elválasztására aleatorikus és episztemikus komponensekre. A szemantikai hasonlóság kihasználásával felülmúlja a legmodernebb módszereket a különböző modellek és referenciaértékek között.
Megtekintés a kiadó oldalán