Selskapets kjerneteknologier

Data og kunstig intelligens

Data- og AI-forskning utvikler intelligente teknologier som kombinerer industridata, ingeniørkunnskap og AI for å løse komplekse virkelige utfordringer. Fokuset er på pålitelige, forklarbare AI-systemer som forbedrer industriell drift, beslutningstaking, bærekraft og produktivitet i stor skala.

Utforsk publikasjoner

Hva om vi kunne oppnå industriell intelligens i bransjer og kritisk infrastruktur?

Industrielle data er en knapp ressurs sammenlignet med de store volumene data fra sosiale medier. Spesiell vekt legges på den industrielle konteksten, der data preges av fysiske prosesser, tidsserier og kompleks systemdynamikk. AI-systemer må være pålitelige, robuste og pålitelige for å møte de strenge kvalitets-, sikkerhets- og driftskravene til industri og kritisk infrastruktur.

Det som betyr noe: AI og dataanalyseteknologier som skaper innvirkning på tvers av den industrielle verdikjeden.

Delt bilde som viser glødende fiberoptiske tråder til venstre og et team som har på seg

To kolleger gjennomgår en stor dashbordskjerm med

Data- og kunstig intelligensteknologier leverer et ende-til-ende-rammeverk for industriell intelligens. Multimodale grunnmodeller og generativ AI driver domenespesifikke arbeidsflyter, finjustering og design. Med-intelligens mellom mennesker og kunstig intelligens integrerer copiloter, agentiske arbeidsflyter og forklarbare menneske-in-the-loop-kontroller. Bak disse applikasjonene organiserer semantiske modeller, kunnskapsgrafer og tidsserieanalyser data for å muliggjøre prediktivt vedlikehold og operasjonell beslutningstaking.

MLOP-er og kantdistribusjoner styrer AI-livssyklusen, støttet av optimaliseringsalgoritmer og fysisk, nevrosymbolsk AI forankret i virkelige begrensninger. Til slutt sikrer pålitelige AI-rammer full sikkerhet, risikostyring og overholdelse av forskrifter.

Dette Selskapets kjerneteknologi driver smarte operasjoner gjennom hele industriens livssyklus. Domenespesifikke copiloter og agentassistenter effektiviserer arbeidsflyter for prosjektering, design, koding og tjenester. Prediktiv analyse, fundamentmodeller og optimalisering muliggjør operasjonell intelligens, kontroll med lukket sløyfe, planlegging og vedlikehold av eiendeler på tvers av multimodale datarom.

Robotikk og fysisk AI støtter visuell oppfatning, oppgaveorkestrering og presis bevegelseskontroll. Semantiske datastrukturer og ontologier integrerer disse systemene, mens bedriftsplattformer administrerer kantdistribusjon, AI-risiko og samsvarstesting.

Orkestrering av Siemens' AI-produktinnovasjonstratt og Data & AI-styring kompletterer disse forskningsaktivitetene.

Publikasjoner

Utforsk våre utvalgte artikler

Forbedre forstyrrelsesbaserte forklaringer ved å forstå rollen til usikkerhetskalibrering

Publisert i: 39. konferanse om nevrale informasjonsbehandlingssystemer (NeurIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner5
(¹ Siemens, ² LMU München, ³ München senter for maskinlæring (MCML), ⁴ Goethe University Frankfurt, ⁄Tysk kreftforskningssenter, tysk kreftkonsortium)

Forstyrrelsesbaserte forklaringer forbedrer ML-gjennomsiktigheten, men ukjent modellatferd under forstyrrelser kompromitterer påliteligheten deres. Vi beviser at modeller produserer upålitelige sannsynlighetsestimater under disse forstyrrelsene, noe som direkte forringer lokal og global forklaringskvalitet. Vi foreslår RecalX å kalibrere modeller for bedre forklaringer uten å endre originale spådommer, og forbedre robustheten.
Se på utgiverens side

Inkrementell usikkerhetsbevisst ytelsesovervåking med aktiv merkingsintervensjon

Publisert i: Proceedings of the 28. internasjonale konferanse om kunstig intelligens og statistikk, PMLR 258:2188‑2196, 2025
Alexander Köbler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Büttner

Vi studerer overvåking av ML-modeller under gradvise distribusjonsskift, som sakte forringer nøyaktigheten uoppdaget. Vi foreslår inkrementell usikkerhetsbevisst ytelsesovervåking (IUPM), en etikettfri metode som estimerer ytelsesendringer ved hjelp av optimal transport. IUPM kvantifiserer prediksjonsusikkerhet og bruker aktiv merking under et begrenset budsjett for å gjenopprette estimater, og overgår grunnlinjene i skiftscenarier.
Se på utgiverens side

Wiki-Tabner: Integrering av navngitt enhetsgjenkjenning i Wikipedia-tabeller

Publisert i: 2025 Internasjonal ACM SIGIR-konferanse om forskning og utvikling innen informasjonshenting
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Eksisterende standarder for tabelltolkning forenkler ofte data fra den virkelige verden. For å løse dette introduserer vi WIKI-Tabner, et utfordrende datasett med komplekse Wikipedia-tabeller med flere enheter per celle, kommentert ved hjelp av DBpedia-klasser. Designet for navngitt enhetsgjenkjenning (NER) i tabellen og enhetskobling, detaljerer vi funksjonene, merkingen og et LLM-evalueringsrammeverk, etterfulgt av kvalitativ analyse av modellytelse og datasettbegrensninger.
Se på utgiverens side

Lightning UQ Box: Usikkerhetskvantifisering for nevrale nettverk

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

Til tross for dyp lærings suksess, forårsaker dens svarte boks-natur og manglende tillitsestimater skepsis innen kritiske felt som medisin. For å gjøre usikkerhetskvantifisering (UQ) mer tilgjengelig og gjenbrukbar, introduserer vi Lightning UQ Box, et PyTorch-basert bibliotek drevet av PyTorch Lightning. Den støtter klassifisering, regresjon og segmentering på tvers av forskjellige UQ-metoder, og gir utøvere skalerbare, bruksklare verktøy.
Se på utgiverens side

Finkornet usikkerhetsnedbrytning i store språkmodeller: En spektral tilnærming

Publisert i: Proceedings of the AAAI Conference on Artificial Intelligence (AAAI26)
Nassim Walha¹², Sebastian G. Gruber⇓, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³⁴
(¹ Tysk kreftforskningssenter (DKFZ), ² Tysk kreftkonsortium (DKTK), ³ Frankfurt Cancer Institute, Tyskland, ⁴ Goethe University Frankfurt, Tyskland, ⇓ ESAT-PSI, KU Leuven, Belgia, Siemens AG, LMU München, München senter for maskinlæring (MCML), Tysk senter for kunstig intelligens (DFKI), Kaiserslautern, Tyskland)

Ettersom LLM-er integreres i forskjellige applikasjoner, er det avgjørende å oppnå pålitelige prediktive usikkerhetsmål. Å skille mellom aleatorisk datatvetydighet og epistemiske modellbegrensninger er viktig for å adressere hver kilde. Vi introduserer spektral usikkerhet, en tilnærming som bruker kvanteinformasjonsteoriens Von Neumann-entropi for å skille total usikkerhet strengt i aleatoriske og epistemiske komponenter. Ved å utnytte semantisk likhet, overgår den toppmoderne metoder på tvers av forskjellige modeller og benchmarks.
Se på utgiverens side