Tecnologie di base dell'azienda

Dati e intelligenza artificiale

La ricerca sui dati e sull'intelligenza artificiale sviluppa tecnologie intelligenti che combinano dati industriali, conoscenze ingegneristiche e intelligenza artificiale per risolvere complesse sfide del mondo reale. L'attenzione si concentra su sistemi di intelligenza artificiale affidabili e spiegabili che migliorano le operazioni industriali, il processo decisionale, la sostenibilità e la produttività su larga scala.

Esplora le pubblicazioni

E se riuscissimo a raggiungere l'intelligenza industriale nelle industrie e nelle infrastrutture critiche?

I dati industriali sono una risorsa scarsa rispetto agli enormi volumi di dati sui social media. Particolare enfasi è posta sul contesto industriale, in cui i dati sono caratterizzati da processi fisici, serie temporali e dinamiche di sistema complesse. I sistemi di intelligenza artificiale devono essere affidabili, robusti e degni di fiducia per soddisfare i rigorosi requisiti di qualità, sicurezza e operativi del settore e delle infrastrutture critiche.

Ciò che conta: tecnologie di intelligenza artificiale e analisi dei dati che creano impatto su tutta la catena del valore industriale.

Immagine divisa che mostra fili luminosi in fibra ottica a sinistra e una squadra che indossa

Due colleghi che esaminano un ampio display del cruscotto con

Le tecnologie di dati e intelligenza artificiale forniscono un framework end-to-end per l'intelligenza industriale. Modelli di base multimodali e intelligenza artificiale generativa alimentano flussi di lavoro specifici per dominio, messa a punto e progettazione. La cointelligenza uomo-intelligenza artificiale integra copiloti, flussi di lavoro agentici e controlli human-in-the-loop spiegabili. Dietro queste applicazioni, modelli semantici, grafici di conoscenza e analisi delle serie temporali organizzano i dati per consentire la manutenzione predittiva e il processo decisionale operativo.

Le MLOP e le implementazioni edge governano il ciclo di vita dell'IA, supportata da algoritmi di ottimizzazione e intelligenza artificiale fisica neuro-simbolica basata su vincoli del mondo reale. Infine, framework di intelligenza artificiale affidabili garantiscono la piena sicurezza, gestione del rischio e conformità normativa.

Questo Tecnologia di base dell'azienda potenzia le operazioni intelligenti in tutto il ciclo di vita industriale. I copiloti e gli assistenti agentici specifici del dominio semplificano i flussi di lavoro di ingegneria, progettazione, codifica e assistenza. L'analisi predittiva, i modelli di base e l'ottimizzazione consentono l'intelligenza operativa, il controllo a circuito chiuso, la pianificazione e la manutenzione degli asset in spazi di dati multimodali.

La robotica e l'intelligenza artificiale fisica supportano la percezione visiva, l'orchestrazione delle attività e il controllo preciso del movimento. I data fabric semantici e le ontologie integrano questi sistemi, mentre le piattaforme aziendali gestiscono l'implementazione perimetrale, i rischi dell'IA e i test di conformità.

L'orchestrazione del funnel di innovazione dei prodotti AI di Siemens e la governance dei dati e dell'IA completano queste attività di ricerca.

Icona per dati e intelligenza artificiale

Pubblicazioni

Esplora i nostri articoli in vetrina

Migliorare le spiegazioni basate sulle perturbazioni comprendendo il ruolo della calibrazione dell'incertezza

Pubblicato in: 39a conferenza sui sistemi di elaborazione delle informazioni neurali (NeurIPS 2025)
Thomas Decker¹ ²³, Volker Tresp²³, Florian Büttner
(¹ Siemens, ² LMU Munich, ³ Munich Center for Machine Learning (MCML), ◊ Goethe University di Francoforte, German Cancer Research Center, German Cancer Consortium)

Le spiegazioni basate sulle perturbazioni migliorano la trasparenza del machine learning, ma il comportamento sconosciuto del modello in caso di perturbazioni ne compromette l'affidabilità. Dimostriamo che i modelli producono stime di probabilità inaffidabili in queste perturbazioni, degradando direttamente la qualità delle spiegazioni locali e globali. Proponiamo RecalX per ricalibrare i modelli per spiegazioni migliori senza alterare le previsioni originali, migliorando la robustezza.
Visualizza sulla pagina dell'editore

Monitoraggio incrementale delle prestazioni consapevole dell'incertezza con intervento di etichettatura attivo

Pubblicato in: Atti della 28a conferenza internazionale sull'intelligenza artificiale e la statistica, PMLR 258:2188-2196, 2025
Alexander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

Studiamo il monitoraggio dei modelli ML in base a cambiamenti di distribuzione graduali, che degradano lentamente la precisione senza essere rilevati. Proponiamo il monitoraggio incrementale delle prestazioni consapevole dell'incertezza (IUPM), un metodo senza etichetta che stima le variazioni delle prestazioni utilizzando un trasporto ottimale. L'IUPM quantifica l'incertezza delle previsioni e utilizza l'etichettatura attiva con un budget limitato per ripristinare le stime, superando le linee di base negli scenari a turni.
Visualizza sulla pagina dell'editore

Wiki-tabner: Integrazione del riconoscimento delle entità denominate nelle tabelle di Wikipedia

Pubblicato in: Conferenza internazionale ACM SIGIR 2025 sulla ricerca e sviluppo nel recupero delle informazioni
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

I benchmark di interpretazione delle tabelle esistenti spesso semplificano eccessivamente i dati del mondo reale. Per risolvere questo problema, introduciamo Wiki-Tabner, un set di dati impegnativo con tabelle Wikipedia complesse con più entità per cella, annotate utilizzando le classi DBpedia. Progettato per il riconoscimento delle entità denominate in tabella (NER) e il collegamento delle entità, ne descriviamo in dettaglio le caratteristiche, l'etichettatura e un framework di valutazione LLM, seguito da un'analisi qualitativa delle prestazioni del modello e delle limitazioni dei set di dati.
Visualizza sulla pagina dell'editore

Lightning UQ Box: quantificazione dell'incertezza per le reti neurali

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

Nonostante il successo del deep learning, la sua natura a scatola nera e le stime di fiducia mancanti causano scetticismo in campi critici come la medicina. Per rendere la quantificazione dell'incertezza (UQ) più accessibile e riutilizzabile, introduciamo Lightning UQ Box, una libreria basata su PyTorch powered by PyTorch Lightning. Supporta la classificazione, la regressione e la segmentazione tra diversi metodi di UQ, offrendo ai professionisti strumenti scalabili e pronti all'uso.
Visualizza sulla pagina dell'editore

Decomposizione dell'incertezza a grana fine in modelli linguistici di grandi dimensioni: un approccio spettrale

Pubblicato in: Atti della conferenza AAAI sull'intelligenza artificiale (AAAI26)
Nassim Walha¶, Sebastian G. Gruber‡, Thomas Decker, Yinchong Yangin, Alireza Javanmardi, Eyke Hüllermeier, Eyke Hüllermeier, Florian Buettner¹
(¹ Centro tedesco per la ricerca sul cancro (DKFZ), ² German Cancer Consortium (DKTK), ³ Frankfurt Cancer Institute, Germania, ◊ Goethe University di Francoforte, Germania, ESAT-PSI, KU Leuven, Belgio, Siemens AG, LMU Munich, Centro di Monaco per l'apprendimento automatico (MCML), Centro tedesco per l'intelligenza artificiale (DFKI), Kaiserslautern, Germania)

Poiché gli LLM si integrano in diverse applicazioni, è fondamentale ottenere misure di incertezza predittiva affidabili. Distinguere tra ambiguità aleatoria dei dati e limitazioni del modello epistemico è essenziale per affrontare ciascuna fonte. Introduciamo l'incertezza spettrale, un approccio che utilizza l'entropia di Von Neumann della teoria dell'informazione quantistica per separare rigorosamente l'incertezza totale in componenti aleatorie ed epistemiche. Sfruttando la somiglianza semantica, supera i metodi all'avanguardia in diversi modelli e benchmark.
Visualizza sulla pagina dell'editore