Empresa Core Technologies

Dados e Inteligência Artificial

A investigação em dados e IA desenvolve tecnologias inteligentes que combinam dados industriais, conhecimento de engenharia e IA para resolver desafios complexos do mundo real. O foco está em sistemas de IA confiáveis e explicáveis que melhoram as operações industriais, a tomada de decisões, a sustentabilidade e a produtividade em escala.

Explorar publicações

E se conseguíssemos obter inteligência industrial em indústrias e infraestruturas críticas?

Os dados industriais são um recurso escasso em comparação com os vastos volumes de dados das redes sociais. É dada especial ênfase ao contexto industrial, onde os dados são caracterizados por processos físicos, séries temporais e dinâmicas complexas do sistema. Os sistemas de IA devem ser fiáveis, robustos e fiáveis para cumprir os rigorosos requisitos de qualidade, segurança e operacionais da indústria e das infraestruturas críticas.

O que importa: IA e tecnologias de análise de dados que criam impacto em toda a cadeia de valor industrial.

Imagem dividida mostrando fios de fibra ótica brilhantes à esquerda e uma equipa a usar

Dois colegas a analisar um grande ecrã de painel com

As tecnologias de dados e Inteligência Artificial fornecem uma estrutura de ponta a ponta para a inteligência industrial. Modelos de base multimodais e IA generativa alimentam fluxos de trabalho específicos do domínio, ajuste fino e design. A co-inteligência humano-IA integra copilotos, fluxos de trabalho agentes e controlos human-in-the-loop explicáveis. Por trás destas aplicações, modelos semânticos, gráficos de conhecimento e análises de séries temporais organizam os dados para permitir a manutenção preditiva e a tomada de decisões operacionais.

MLOPs e implementações de borda governam o ciclo de vida da IA, apoiados por algoritmos de otimização e IA física e neuro-simbólica baseada em restrições do mundo real. Finalmente, estruturas de IA confiáveis garantem total segurança, gestão de risco e conformidade regulamentar.

Isto Empresa Core Technology potencia operações inteligentes em todo o ciclo de vida industrial. Os copilotos específicos do domínio e os assistentes agênticos simplificam os fluxos de trabalho de engenharia, design, codificação e serviço. A análise preditiva, os modelos de base e a otimização permitem inteligência operacional, controlo de circuito fechado, agendamento e manutenção de ativos em espaços de dados multimodais.

A robótica e a IA física suportam a perceção visual, a orquestração de tarefas e o controlo preciso do movimento. As estruturas e ontologias de dados semânticos integram estes sistemas, enquanto as plataformas empresariais gerem a implementação de ponta, o risco de IA e os testes de conformidade.

A orquestração do funil de inovação de produtos de IA da Siemens e a governança de dados e IA complementam estas atividades de investigação.

Ícone para Dados & Inteligência Artificial

Publicações

Explore os nossos artigos em destaque

Melhorar as explicações baseadas em perturbações através da compreensão do papel da calibração da incerteza

Publicado em: 39ª Conferência sobre Sistemas de Processamento de Informação Neural (NeuRIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner,
(¹ Siemens, ² LMU Munique, ³ Centro de Munique para Machine Learning (MCML), Goethe University Frankfurt, Centro Alemão de Investigação do Cancro, Consórcio Alemão do Cancro)

As explicações baseadas em perturbações aumentam a transparência do ML, mas o comportamento desconhecido do modelo sob perturbações compromete a sua fiabilidade. Provamos que os modelos produzem estimativas de probabilidade não fiáveis sob estas perturbações, degradando diretamente a qualidade da explicação local e global. Propomos ao ReCalX recalibrar modelos para melhores explicações sem alterar as previsões originais, melhorando a robustez.
Ver na página do editor

Monitorização incremental do desempenho consciente da incerteza com intervenção de rotulagem ativa

Publicado em: Anais da 28ª Conferência Internacional de Inteligência Artificial e Estatística, PMLR 258:2188‑2196, 2025
Alexander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

Estudamos a monitorização de modelos de ML sob mudanças graduais de distribuição, que degradam lentamente a precisão sem serem detectados. Propomos monitorização incremental do desempenho consciente da incerteza (IUPM), um método sem rótulos que estima as alterações de desempenho utilizando o transporte ideal. A IUPM quantifica a incerteza de previsão e usa a rotulagem ativa sob um orçamento limitado para restaurar as estimativas, superando as linhas de base em cenários de turno.
Ver na página do editor

Wiki-tabner: Integração do reconhecimento de entidades nomeadas nas tabelas da Wikipédia

Publicado em: Conferência Internacional ACM SIGIR 2025 sobre Investigação e Desenvolvimento em Recuperação de Informação
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Os benchmarks de interpretação de tabelas existentes muitas vezes simplificam excessivamente os dados do mundo real. Para resolver isso, apresentamos o Wiki-Tabner, um conjunto de dados desafiador com tabelas complexas da Wikipédia com várias entidades por célula, anotadas usando classes DBpedia. Projetado para reconhecimento de entidade nomeada (NER) na tabela e vinculação de entidade, detalhamos suas características, rotulagem e uma estrutura de avaliação LLM, seguida por uma análise qualitativa do desempenho do modelo e limitações do conjunto de dados.
Ver na página do editor

Lightning UQ Box: Quantificação da incerteza para redes neurais

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

Apesar do sucesso da aprendizagem profunda, a sua natureza de caixa preta e a falta de estimativas de confiança causam ceticismo em campos críticos como a medicina. Para tornar a quantificação da incerteza (UQ) mais acessível e reutilizável, apresentamos o Lightning UQ Box, uma biblioteca baseada em PyTorch powered by PyTorch Lightning. Suporta classificação, regressão e segmentação em diversos métodos de UQ, dando aos profissionais ferramentas escaláveis e prontas a usar.
Ver na página do editor

Decomposição de incertezas refinadas em grandes modelos de linguagem: Uma abordagem espectral

Publicado em: Atas da Conferência AAAI sobre Inteligência Artificial (AAAI26)
Nassim Walha¹²304, Sebastian G. Gruber◄, Thomas Decker, Yinchong Yang, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³
(¹ Centro Alemão de Investigação do Cancro (DKFZ), ² Consórcio Alemão do Cancro (DKTK), ³ Frankfurt Cancer Institute, Alemanha, Goethe University Frankfurt, Alemanha, ESAT-PSI, KU Leuven, Bélgica, Siemens AG, LMU Munique, Centro de Munique para Aprendizagem de Máquina (MCML), Centro Alemão de Inteligência Artificial (DFKI), Kaiserslautern, Alemanha)

À medida que os LLMs se integram em diversas aplicações, obter medidas de incerteza preditiva confiáveis é fundamental. Distinguir entre ambiguidade de dados aleatórios e limitações do modelo epistémico é essencial para abordar cada fonte. Introduzimos a incerteza espectral, uma abordagem que utiliza a entropia de Von Neumann da teoria da informação quântica para separar rigorosamente a incerteza total em componentes aleatórios e epistémicos. Ao alavancar a similaridade semântica, supera os métodos de última geração em diversos modelos e benchmarks.
Ver na página do editor