Tehnologii de bază ale companiei

Date și inteligență artificială

Cercetarea datelor și AI dezvoltă tehnologii inteligente care combină date industriale, cunoștințe inginerești și AI pentru a rezolva provocări complexe din lumea reală. Accentul se pune pe sisteme AI de încredere, explicabile, care îmbunătățesc operațiunile industriale, luarea deciziilor, sustenabilitatea și productivitatea la scară largă.

Explorați publicațiile

Ce se întâmplă dacă am putea obține inteligență industrială în industrii și infrastructuri critice?

Datele industriale sunt o resursă rară în comparație cu volumele vaste de date din rețelele sociale. Un accent deosebit este pus pe contextul industrial, unde datele sunt caracterizate prin procese fizice, serii temporale și dinamică complexă a sistemului. Sistemele IA trebuie să fie fiabile, robuste și demne de încredere pentru a îndeplini cerințele stricte de calitate, siguranță și operaționale ale industriei și infrastructurii critice.

Ceea ce contează: AI și tehnologii de analiză a datelor care creează impact în întregul lanț valoric industrial.

Imagine divizată care arată fire de fibră optică strălucitoare în stânga și o echipă care poartă

Doi colegi revizuiesc un afișaj mare de bord cu

Tehnologiile de date și inteligență artificială oferă un cadru end-to-end pentru inteligența industrială. Modelele de bază multimodale și AI generativă alimentează fluxurile de lucru specifice domeniului, reglarea fină și proiectarea. Co-inteligența om-AI integrează copiloți, fluxuri de lucru agentice și controale explicabile om-in-the-loop. În spatele acestor aplicații, modelele semantice, graficele de cunoștințe și analizele seriilor temporale organizează date pentru a permite întreținerea predictivă și luarea deciziilor operaționale.

MLOP-urile și implementările edge guvernează ciclul de viață al AI, susținut de algoritmi de optimizare și AI fizic, neuro-simbolic, bazat pe constrângeri din lumea reală. În cele din urmă, cadrele AI de încredere asigură siguranța deplină, gestionarea riscurilor și conformitatea cu reglementările.

Aceasta Tehnologia de bază a companiei alimentează operațiunile inteligente de-a lungul ciclului de viață industrial. Copiloții specifici domeniului și asistenții agentici eficientizează fluxurile de lucru de inginerie, proiectare, codare și servicii. Analizele predictive, modelele de fundație și optimizarea permit inteligența operațională, controlul în buclă închisă, programarea și întreținerea activelor în spațiile de date multimodale.

Robotica și inteligența artificială fizică susțin percepția vizuală, orchestrarea sarcinilor și controlul precis al mișcării. Structurile de date semantice și ontologiile integrează aceste sisteme, în timp ce platformele de întreprindere gestionează implementarea edge, riscul AI și testarea conformității.

Orchestrarea pâlniei de inovare a produselor AI de la Siemens și guvernanța datelor și AI completează aceste activități de cercetare.

Pictogramă pentru date și inteligență artificială

Publicații

Explorați lucrările noastre recomandate

Îmbunătățirea explicațiilor bazate pe perturbații prin înțelegerea rolului calibrării incertitudinii

Publicat în: A 39-a Conferință privind sistemele de procesare a informațiilor neuronale (NeurIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner5
(¹ Siemens, ² LMU München, ³ Centrul de învățare automată din München (MCML), ⁴ Universitatea Goethe Frankfurt, ⁄ Centrul German de Cercetare a Cancerului, Consorțiul German al Cancerului)

Explicațiile bazate pe perturbații sporesc transparența ML, dar comportamentul necunoscut al modelului sub perturbații le compromite fiabilitatea. Dovedim că modelele produc estimări de probabilitate nesigure sub aceste perturbații, degradând direct calitatea explicațiilor locale și globale. Propunem RecalX să recalibreze modelele pentru explicații mai bune fără a modifica predicțiile originale, îmbunătățind robustețea.
Vizualizare pe pagina editorului

Monitorizarea incrementală a performanței conștiente de incertitudine cu intervenție activă de etichetare

Publicat în: Lucrările celei de-a 28-a Conferințe Internaționale de Inteligență Artificială și Statistică, PMLR 258:2188‑2196, 2025
Alexander Köbler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Büttner

Studiem monitorizarea modelelor ML sub schimbări treptate de distribuție, care degradează încet precizia nedetectată. Propunem monitorizarea incrementală a performanței conștiente de incertitudine (IUPM), o metodă fără etichete care estimează modificările de performanță folosind transportul optim. IUPM cuantifică incertitudinea de predicție și folosește etichetarea activă în cadrul unui buget limitat pentru a restabili estimările, depășind liniile de bază în scenariile de schimbare.
Vizualizare pe pagina editorului

Wiki-Tabner: Integrarea recunoașterii entităților numite în tabelele Wikipedia

Publicat în: Conferința internațională ACM SIGIR 2025 privind cercetarea și dezvoltarea în recuperarea informațiilor
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Reperele de interpretare a tabelelor existente simplifică adesea datele din lumea reală. Pentru a aborda acest lucru, introducem Wiki-Tabner, un set de date provocator care conține tabele complexe Wikipedia cu mai multe entități pe celulă, adnotate folosind clase DBpedia. Proiectat pentru recunoașterea entității denumite în tabel (NER) și conectarea entității, detaliem caracteristicile sale, etichetarea și un cadru de evaluare LLM, urmată de analiza calitativă a performanței modelului și a limitărilor setului de date.
Vizualizare pe pagina editorului

Lightning UQ Box: Cuantificarea incertitudinii pentru rețelele neuronale

Publicat în: Jurnalul de Cercetare a Învățării Mașini 26 (2025)
Nils Lehmann, Nina Maria Gottschling, Jacob Gawlikowski, Adam J. Stewart, Stefan Depeweg, Eric Nalisnick

În ciuda succesului învățării profunde, natura sa de cutie neagră și estimările lipsă de încredere provoacă scepticism în domenii critice precum medicina. Pentru a face cuantificarea incertitudinii (UQ) mai accesibilă și reutilizabilă, introducem Lightning UQ Box, o bibliotecă bazată pe PyTorch alimentată de PyTorch Lightning. Sprijină clasificarea, regresia și segmentarea în diverse metode UQ, oferind practicienilor instrumente scalabile, gata de utilizare.
Vizualizare pe pagina editorului

Descompunerea incertitudinii cu granulație fină în modele de limbaj mari: o abordare spectrală

Publicat în: Lucrările Conferinței AAAI privind inteligența artificială (AAAI26)
Nassim Walha¹², Sebastian G. Gruber5, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³⁴
(¹ Centrul German de Cercetare a Cancerului (DKFZ), ² Consorțiul German al Cancerului (DKTK), ³ Institutul de Cancer din Frankfurt, Germania, ⁴ Universitatea Goethe Frankfurt, Germania, ⁄ESAT-PSI, KU Leuven, Belgia, Siemens AG, LMU München, Centrul Munchen pentru Învățare automată (MCML), Centrul German pentru Inteligență Artificială (DFKI), Kaiserslautern, Germania)

Deoarece LLM-urile se integrează în diverse aplicații, obținerea de măsuri fiabile de incertitudine predictivă este esențială. Distingerea între ambiguitatea datelor aleatorice și limitările modelului epistemic este esențială pentru abordarea fiecărei surse. Introducem incertitudinea spectrală, o abordare care utilizează entropia Von Neumann a teoriei informației cuantice pentru a separa riguros incertitudinea totală în componente aleatorice și epistemice. Folosind similitudinea semantică, depășește metodele de ultimă generație în diverse modele și repere.
Vizualizare pe pagina editorului