Het bedrijf Core Technologies

Gegevens en kunstmatige intelligentie

Onderzoek op het gebied van data en AI ontwikkelt intelligente technologieën die industriële gegevens, technische kennis en AI combineren om complexe uitdagingen uit de praktijk op te lossen. De focus ligt op betrouwbare, verklaarbare AI-systemen die industriële activiteiten, besluitvorming, duurzaamheid en productiviteit op grote schaal verbeteren.

Publicaties bekijken

Wat als we industriële intelligentie zouden kunnen bereiken in industrieën en kritieke infrastructuren?

Industriële gegevens zijn een schaarse hulpbron vergeleken met de enorme hoeveelheden gegevens op sociale media. Bijzondere nadruk wordt gelegd op de industriële context, waar gegevens worden gekenmerkt door fysieke processen, tijdreeksen en complexe systeemdynamieken. AI-systemen moeten betrouwbaar, robuust en betrouwbaar zijn om te voldoen aan de strenge kwaliteits-, veiligheids- en operationele vereisten van de industrie en kritieke infrastructuur.

Wat belangrijk is: AI- en data-analysetechnologieën die impact hebben in de hele industriële waardeketen.

Gesplitste afbeelding met gloeiende glasvezelstrengen aan de linkerkant en een team dat

Twee collega's beoordelen een groot display op het dashboard met

Gegevens- en kunstmatige-intelligentietechnologieën bieden een volledig raamwerk voor industriële intelligentie. Multimodale basismodellen en generatieve AI zorgen voor domeinspecifieke workflows, verfijning en ontwerp. Co-intelligentie tussen mens en AI integreert copiloten, workflows van agenten en verklaarbare menselijke controles. Achter deze toepassingen organiseren semantische modellen, kennisgrafieken en tijdreeksanalyses gegevens om voorspellend onderhoud en operationele besluitvorming mogelijk te maken.

MLOP's en edge-implementaties bepalen de levenscyclus van AI, ondersteund door optimalisatiealgoritmen en fysieke, neurosymbolische AI die gebaseerd is op beperkingen uit de praktijk. Tot slot zorgen betrouwbare AI-kaders voor volledige veiligheid, risicobeheer en naleving van de regelgeving.

Dit Kerntechnologie van het bedrijf ondersteunt slimme operaties gedurende de hele industriële levenscyclus. Domeinspecifieke copiloten en agentassistenten stroomlijnen de workflows voor engineering, ontwerp, codering en service. Voorspellende analyses, basismodellen en optimalisatie maken operationele intelligentie, beheer met een gesloten circuit, planning en onderhoud van bedrijfsmiddelen in multimodale dataruimtes mogelijk.

Robotica en fysieke AI ondersteunen visuele waarneming, taakorkestratie en nauwkeurige bewegingscontrole. Semantische datastructuren en -ontologieën integreren deze systemen, terwijl bedrijfsplatforms edge-implementatie, AI-risico's en nalevingstests beheren.

De orkestratie van de AI-productinnovatietrechter van Siemens en het beheer van gegevens en AI vormen een aanvulling op deze onderzoeksactiviteiten.

Pictogram voor data en kunstmatige intelligentie

Publicaties

Bekijk onze aanbevolen kranten

Verklaringen op basis van verstoringen verbeteren door inzicht te krijgen in de rol van onzekerheidskalibratie

Gepubliceerd in: 39e conferentie over neurale informatieverwerkingssystemen (NeurIPS 2025)
Thomas Decker, Volker Tresp², Florian Büttner, Volker Tresp²,
(¹ Siemens, ² LMU München, ³ München Center for Machine Learning (MCML), 4 Goethe Universiteit Frankfurt, ¤ Duits kankeronderzoekscentrum, 2 Duits kankerconsortium)

Verklaringen op basis van verstoringen vergroten de transparantie van ML, maar onbekend modelgedrag bij verstoringen brengt de betrouwbaarheid ervan in gevaar. We bewijzen dat modellen bij deze verstoringen onbetrouwbare waarschijnlijkheidsschattingen opleveren, waardoor de kwaliteit van de lokale en globale uitleg rechtstreeks afneemt. We stellen ReCalX voor om modellen opnieuw te kalibreren voor betere verklaringen zonder de oorspronkelijke voorspellingen te wijzigen, waardoor de robuustheid wordt verbeterd.
Bekijk op de pagina van de uitgever

Incrementele, onzekerheidsbewuste prestatiebewaking met actieve etiketteringsinterventie

Gepubliceerd in: Proceedings van de 28e internationale conferentie over kunstmatige intelligentie en statistiek, PMLR 258:2188‑2196, 2025
Alexander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

We bestuderen de monitoring van ML-modellen onder geleidelijke distributieverschuivingen, waardoor de nauwkeurigheid langzaam afneemt zonder dat het wordt opgemerkt. We stellen incrementele onzekerheidsbewuste prestatiemonitoring (IUPM) voor, een methode zonder labels die prestatieveranderingen inschat met behulp van optimaal transport. De IUPM kwantificeert de onzekerheid in de voorspelling en maakt gebruik van actieve etikettering met een beperkt budget om schattingen te herstellen, waarbij het beter presteert dan de basislijnen in verschuivingsscenario's.
Bekijk op de pagina van de uitgever

Wiki-tabner: Integratie van de herkenning van entiteiten met een naam in Wikipedia-tabellen

Gepubliceerd in: 2025 Internationale ACM SIGIR-conferentie over onderzoek en ontwikkeling op het gebied van het ophalen van informatie
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Bestaande benchmarks voor tabelinterpretatie maken gegevens uit de echte wereld vaak te eenvoudig. Om dit aan te pakken introduceren we Wiki-Tabner, een uitdagende dataset met complexe Wikipedia-tabellen met meerdere entiteiten per cel, geannoteerd met behulp van DBpedia-klassen. Ontworpen voor de herkenning van benoemde entiteiten (NER) in de tabel en het koppelen van entiteiten, geven we gedetailleerde informatie over de kenmerken, de etikettering en een LLM-evaluatiekader, gevolgd door een kwalitatieve analyse van de prestaties van modellen en de beperkingen van de datasets.
Bekijk op de pagina van de uitgever

Lightning UQ Box: Kwantificering van de onzekerheid voor neurale netwerken

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

Ondanks het succes van deep learning, veroorzaken het black box-karakter en de ontbrekende vertrouwensschattingen scepsis op kritieke gebieden, zoals de geneeskunde. Om onzekerheidskwantificering (UQ) toegankelijker en herbruikbaar te maken, introduceren we Lightning UQ Box, een bibliotheek gebaseerd op PyTorch, powered by PyTorch Lightning. Het ondersteunt classificatie, regressie en segmentatie in verschillende UQ-methoden, waardoor professionals schaalbare, gebruiksklare tools krijgen.
Bekijk op de pagina van de uitgever

Fijnkorrelige decompositie van onzekerheden in grote taalmodellen: een spectrale benadering

Gepubliceerd in: Proceedings of the AAAI Conference on Artificial Intelligence (AAAI26)
Nassim Walha, Sebastian G. Gruber, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner, Florian Buettner,
(¹ Duits centrum voor kankeronderzoek (DKFZ), ² Duits kankerconsortium (DKTK), ³ Kankerinstituut van Frankfurt, Duitsland, 4 Goethe-universiteit Frankfurt, Duitsland, ESAT-PSI, KU Leuven, België, a2 Siemens AG, LMU München, Munich Center for Machine Learning (MCML), Duits centrum voor kunstmatige intelligentie (DFKI), Kaiserslautern, Duitsland)

Aangezien LLM's in diverse toepassingen kunnen worden geïntegreerd, is het van cruciaal belang om betrouwbare, voorspellende onzekerheidsmetingen te verkrijgen. Om elke bron aan te pakken, is het essentieel om onderscheid te maken tussen de ambiguïteit van aleatorische gegevens en de beperkingen van het epistemische model. We introduceren spectrale onzekerheid, een benadering waarbij gebruik wordt gemaakt van de Von Neumann-entropie van de kwantuminformatietheorie om totale onzekerheid rigoureus te scheiden in aleatorische en epistemische componenten. Door gebruik te maken van semantische overeenkomsten presteert het beter dan de modernste methoden in verschillende modellen en benchmarks.
Bekijk op de pagina van de uitgever