Osnovne tehnologije podjetja

Podatki in umetna inteligenca

Raziskave podatkov in umetne inteligence razvijajo inteligentne tehnologije, ki združujejo industrijske podatke, inženirsko znanje in umetno inteligenco za reševanje zapletenih izzivov v resničnem svetu. Poudarek je na zaupanja vrednih in razložljivih sistemih umetne inteligence, ki izboljšujejo industrijsko delovanje, odločanje, trajnost in produktivnost v obsegu.

Raziščite publikacije

Kaj pa, če bi lahko dosegli industrijsko inteligenco v industriji in kritični infrastrukturi?

Industrijski podatki so omejen vir v primerjavi z ogromno količino podatkov družbenih medijev. Poseben poudarek je na industrijskem kontekstu, kjer so za podatke značilni fizični procesi, časovne vrste in kompleksna sistemska dinamika. Sistemi umetne inteligence morajo biti zanesljivi, robustni in zaupanja vredni, da izpolnjujejo stroge zahteve glede kakovosti, varnosti in delovanja industrije in kritične infrastrukture.

Pomembno je: tehnologije umetne inteligence in analitike podatkov, ki ustvarjajo vpliv v celotni industrijski vrednostni verigi.

Razdeljena slika, ki prikazuje žareče pramene optičnih vlaken na levi in ekipo, ki nosi

Dva kolega pregledujeta velik zaslon armaturne plošče z

Tehnologije podatkov in umetne inteligence zagotavljajo celovit okvir za industrijsko inteligenco. Multimodalni modeli temeljev in generativni poteki dela, specifični za domeno AI, natančna nastavitev in oblikovanje. Kointeligenca med človekom in umetno inteligenco vključuje kopilote, agentske delovne tokove in razložljive kontrole človeka v zanki. Za temi aplikacijami pomenski modeli, grafi znanja in analitika časovnih vrst organizirajo podatke, ki omogočajo napovedno vzdrževanje in operativno odločanje.

MLOP in uvajanje robov urejajo življenjski cikel umetne inteligence, ki ga podpirajo optimizacijski algoritmi in fizična, nevro-simbolična AI, utemeljena na omejitvah v resničnem svetu. Nazadnje, zaupanja vredni okviri umetne inteligence zagotavljajo popolno varnost, obvladovanje tveganj in skladnost z predpisi.

To Osnovna tehnologija podjetja omogoča pametne operacije v celotnem življenjskem ciklu industrije. Kopiloti in agentični pomočniki, specifični za domeno, racionalizirajo delovne procese inženiringa, oblikovanja, kodiranja in storitev. Prediktivna analitika, modeli temeljev in optimizacija omogočajo operativno inteligenco, nadzor v zaprti zanki, načrtovanje in vzdrževanje sredstev v multimodalnih podatkovnih prostorih.

Robotika in fizična umetna inteligenca podpirata vizualno zaznavanje, orkestracijo nalog in natančen nadzor gibanja. Semantične podatkovne strukture in ontologije vključujejo te sisteme, medtem ko poslovne platforme upravljajo uvajanje robov, tveganje umetne inteligence in testiranje skladnosti.

Te raziskovalne dejavnosti dopolnjujeta orkestracija Siemensovega lijaka za inovacije izdelkov umetne inteligence ter upravljanje podatkov in umetne inteligence.

Publikacije

Raziščite naše predstavljene dokumente

Izboljšanje razlag, ki temeljijo na motnjah, z razumevanjem vloge kalibracije negotovosti

Objavljeno v: 39. konferenca o sistemih za obdelavo nevronskih informacij (NeuRIPS 2025)
Thomas Decker¹²²³, Volker Tresp²³, Florian Büttner
(¹ Siemens, ² LMU München, ³ Münchenski center za strojno učenje (MCML), Goethejeva univerza v Frankfurtu, Nemški center za raziskave raka, Nemški konzorcij za raka)

Razlage, ki temeljijo na motnjah, povečujejo preglednost ML, vendar neznano vedenje modela pod motnjami ogroža njihovo zanesljivost. Dokazujemo, da modeli pod temi motnjami proizvajajo nezanesljive ocene verjetnosti, kar neposredno poslabša lokalno in globalno kakovost razlag. Predlagamo, da RecalX ponovno kalibrira modele za boljše razlage, ne da bi spremenil prvotne napovedi in izboljšal robustnost.
Oglejte si na strani založnika

Dodatno spremljanje učinkovitosti, ki se zaveda negotovosti, z aktivnim posegom označevanja

Objavljeno v: Zbornik 28. mednarodne konference o umetni inteligenci in statistiki, PMLR 258:2188‑2196, 2025
Alexander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

Preučujemo spremljanje modelov ML pod postopnimi premiki porazdelitve, ki počasi poslabšajo natančnost, nezaznana. Predlagamo postopno spremljanje uspešnosti glede negotovosti (IUPM), metodo brez oznak, ki ocenjuje spremembe uspešnosti z optimalnim transportom. IUPM količinsko opredeljuje negotovost napovedi in uporablja aktivno označevanje v okviru omejenega proračuna za obnovitev ocen, pri čemer presega izhodiščne črte v scenarijih premikov.
Oglejte si na strani založnika

Wiki-tabner: Vključevanje prepoznavanja imenovanih entitet v tabele Wikipedije

Objavljeno leta: 2025 Mednarodna konferenca ACM SIGIR o raziskavah in razvoju pri iskanju informacij
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Obstoječa merila za interpretacijo tabel pogosto preveč poenostavljajo podatke iz resničnega sveta. Da bi to rešili, predstavljamo Wiki-tabner, zahteven nabor podatkov, ki vsebuje zapletene tabele Wikipedije z več entitetami na celico, označene z uporabo razredov DBpedia. Zasnovan za prepoznavanje entitet (NER) v tabeli in povezovanje entitet, podrobno opisujemo njegove značilnosti, označevanje in okvir za ocenjevanje LLM, čemur sledi kvalitativna analiza uspešnosti modela in omejitev nabora podatkov.
Oglejte si na strani založnika

Lightning UQ Box: Kvantifikacija negotovosti za nevronske mreže

Objavljeno v: Revija za raziskave strojnega učenja 26 (2025)
Nils Lehmann, Nina Maria Gottschling, Jakob Gawlikowski, Adam J. Stewart, Stefan Depeweg, Eric Nalisnick

Kljub uspehu globokega učenja njegova narava črne škatle in manjkajoče ocene zaupanja povzročata skepticizem na kritičnih področjih, kot je medicina. Da bi bila kvantifikacija negotovosti (UQ) bolj dostopna in večkratna, predstavljamo Lightning UQ Box, knjižnico, ki temelji na PyTorchu, ki jo powered by PyTorch Lightning. Podpira klasifikacijo, regresijo in segmentacijo po različnih metodah UQ, pri čemer praktikom ponuja razširljiva orodja, pripravljena za uporabo.
Oglejte si na strani založnika

Drobnozrnata razgradnja negotovosti v velikih jezikovnih modelih: spektralni pristop

Objavljeno v: Zbornik konference AAAI o umetni inteligenci (AAAI26)
Nassim Walha¹², Sebastian G. Gruber, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³
(¹ Nemški center za raziskave raka (DKFZ), ² Nemški konzorcij za raka (DKTK), ³ Frankfurtski inštitut za raka, Nemčija, Goethejeva univerza v Frankfurtu, Nemčija, ESAT-PSI, KU Leuven, Belgija, Siemens AG, LMU München, Münchenski center za strojno učenje (MCML), Nemški center za umetno inteligenco (DFKI), Kaiserslautern, Nemčija)

Ker se LLM integrirajo v različne aplikacije, je pridobitev zanesljivih ukrepov za napovedovanje negotovosti ključnega pomena. Razlikovanje med dvoumnostjo aleatoričnih podatkov in omejitvami epistemičnega modela je bistvenega pomena za obravnavo vsakega vira. Uvajamo spektralno negotovost, pristop, ki uporablja Von Neumannovo entropijo kvantne teorije informacij za strogo ločevanje popolne negotovosti na aleatorične in epistemične komponente. Z uporabo pomenske podobnosti presega najsodobnejše metode v različnih modelih in merilih.
Oglejte si na strani založnika