産業や重要なインフラで産業インテリジェンスを実現できたらどうでしょうか？
産業データは、膨大な量のソーシャルメディアデータに比べて希少なリソースです。特に、データが物理プロセス、時系列、複雑なシステムダイナミクスによって特徴付けられる産業環境に重点が置かれています。AIシステムは、業界や重要なインフラの厳しい品質、安全、運用上の要件を満たすために、信頼性が高く、堅牢で、信頼できるものでなければなりません。
重要なこと：産業バリューチェーン全体に影響を与えるAIとデータ分析技術。
会社のコアテクノロジー
データと人工知能
データとAIの研究は、産業データ、エンジニアリング知識、AIを組み合わせて複雑な現実世界の課題を解決するインテリジェントテクノロジーを開発します。焦点は、産業運営、意思決定、持続可能性、生産性を大規模に改善する、信頼でき説明可能なAIシステムにあります。
データおよび人工知能技術は、産業知能のためのエンドツーエンドのフレームワークを提供します。マルチモーダル基盤モデルとジェネレーティブAIは、ドメイン固有のワークフロー、微調整、設計を強化します。ヒューマンAIコインテリジェンスは、副操縦士、エージェントワークフロー、説明可能なヒューマンインザループ制御を統合します。これらのアプリケーションの背後には、セマンティックモデル、ナレッジグラフ、時系列分析がデータを整理して、予知保全と運用上の意思決定を可能にします。
MLOPとエッジデプロイメントは、最適化アルゴリズムと現実世界の制約に基づいた物理的で神経象徴的なAIによって支えられ、AIライフサイクルを管理します。最後に、信頼できるAIフレームワークは、完全な安全性、リスク管理、規制遵守を保証します。
これ 会社のコアテクノロジー 産業ライフサイクル全体にわたるスマートオペレーションを促進します。ドメイン固有の副操縦士とエージェントアシスタントは、エンジニアリング、デザイン、コーディング、サービスのワークフローを合理化します。予測分析、基盤モデル、最適化により、マルチモーダルデータ空間におけるオペレーショナルインテリジェンス、クローズドループ制御、スケジューリング、資産管理が可能になります。
ロボット工学と物理AIは、視覚認識、タスクオーケストレーション、正確なモーションコントロールをサポートします。セマンティックデータファブリックとオントロジーはこれらのシステムを統合し、エンタープライズプラットフォームはエッジデプロイ、AIリスク、コンプライアンステストを管理します。
シーメンスのAI製品イノベーションファネルとデータ＆AIガバナンスのオーケストレーションは、これらの研究活動を補完します。
パブリケーション
特集論文を調べてください
不確かさキャリブレーションの役割を理解することで、摂動に基づく説明を改善します
公開日：第39回神経情報処理システムに関する会議（NeurIPS 2025）
トーマス・デッカー¹ ²³、フォルカー・トレスプ²³、フロリアン・ビュットナー
（¹ Siemens、² LMU ミュンヘン、³ ミュンヘン機械学習センター（MCML）、ゲーテ大学フランクフルト、ドイツがん研究センター、ドイツがんコンソーシアム）
摂動に基づく説明はMLの透明性を高めますが、摂動下での未知のモデルの動作は信頼性を損ないます。このような混乱のもとでは、モデルは信頼できない確率推定値を生成し、ローカルおよびグローバルの説明の質を直接低下させることを証明しています。当初の予測を変えずにモデルを再調整して、より適切な説明が得られるようにRecalxを提案します。これにより、堅牢性が向上します。
出版社のページで見る
積極的なラベリング介入による、不確実性を意識した段階的なパフォーマンスモニタリング
掲載カテゴリー：第28回人工知能と統計に関する国際会議の議事録、PMLR 258:2188‑2196、2025
アレクサンダー・ケブラー、トーマス・デッカー、インゴ・トーン、フォルカー・トレスプ、フロリアン・ビュートナー
私たちは、MLモデルを段階的な分布シフト下で監視することを研究しています。これにより、検出されずに精度が徐々に低下します。私たちは、インクリメンタル不確実性を認識したパフォーマンスモニタリング（IUPM）を提案します。これは、最適なトランスポートを使用してパフォーマンスの変化を推定するラベルなしの方法です。IUPMは予測の不確実性を定量化し、限られた予算の下でアクティブラベリングを使用して見積もりを復元します。シフトシナリオではベースラインを上回ります。
出版社のページで見る
Wiki-tabner：名前付きエンティティ認識をウィキペディアのテーブルに統合します
公開日：情報検索の研究開発に関する2025年国際ACM SIGIR会議
アネタ・コレバ、マーティン・リングスヴァンドル、アーメド・ハテム、トーマス・ランクラー、フォルカー・トレスプ
既存の表解釈ベンチマークは、現実世界のデータを単純化しすぎることがよくあります。これに対処するために、Wiki-Tabnerを紹介します。これは、DBpediaクラスを使用して注釈が付けられた、セルごとに複数のエンティティを持つ複雑なウィキペディアの表を特徴とする、やりがいのあるデータセットです。テーブル内の名前付きエンティティ認識（NER）とエンティティリンク用に設計されており、その機能、ラベル付け、LLM評価フレームワークについて詳しく説明し、続いてモデルのパフォーマンスとデータセットの制限を定性分析します。
出版社のページで見る
Lightning UQ Box：ニューラルネットワークの不確実性の定量化
掲載日：機械学習研究ジャーナル26（2025）
ニルス・レーマン、ニーナ・マリア・ゴットシュリング、ヤコブ・ガウリコフスキー、アダム・J・スチュワート、ステファン・デペウェグ、エリック・ナリスニック
ディープラーニングは成功していますが、そのブラックボックス的な性質と信頼度の推定値の欠如は、医学のような重要な分野では懐疑的です。不確実性の定量化（UQ）をより利用しやすく再利用しやすくするために、PyTorch Lightningpowered by PyTorchベースのライブラリであるLightning UQ Boxを導入しました。さまざまなUQメソッドにわたる分類、回帰、セグメンテーションをサポートし、開業医にスケーラブルですぐに使えるツールを提供します。
出版社のページで見る
大規模言語モデルにおけるきめ細かな不確実性分解：スペクトル的アプローチ
公開先：人工知能に関するAAAI会議の議事録（AAAI26）
ナシム・ワルハ¹ ², セバスチャン・G・グルーバー, トーマス・デッカー, インチョン・ヤン, アリレザ・ジャヴァンマルディ, エイケ・ヒュラーマイヤー, フローリアン・ビュットナー¹ ²³
(¹ ドイツがん研究センター (DKFZ)、² ドイツがんコンソーシアム (DKTK)、³ フランクフルトがん研究所、ドイツ、ゲーテ大学フランクフルト、ドイツ、ESAT-PSI、KU ルーベン、ベルギー、Siemens AG、LMU ミュンヘン、ミュンヘン機械学習センター (MCML)、ドイツ人工知能センター (DFKI)、カイザースラウテルン、ドイツ)
LLMはさまざまなアプリケーションに統合されるため、信頼できる予測不確実性測定値を取得することが重要です。それぞれの情報源に対処するには、確率的データのあいまいさと認識論的モデルの限界を区別することが不可欠です。スペクトルの不確実性を紹介します。これは、量子情報理論のフォンノイマンエントロピーを使用して、全体的な不確実性を偶数成分と認識論的成分に厳密に分離するアプローチです。セマンティックの類似性を活用することで、さまざまなモデルやベンチマークで最先端の手法よりも優れています。
出版社のページで見る