Osnovne tehnologije kompanije

Podaci i veštačka inteligencija

Istraživanje podataka i AI razvija inteligentne tehnologije koje kombinuju industrijske podatke, inženjersko znanje i AI za rešavanje složenih izazova u stvarnom svetu. Fokus je na pouzdanim, objašnjivim AI sistemima koji poboljšavaju industrijske operacije, donošenje odluka, održivost i produktivnost u obimu.

Istražite publikacije

Šta ako bismo mogli postići industrijsku inteligenciju u industrijama i kritičnoj infrastrukturi?

Industrijski podaci su oskudan resurs u poređenju sa ogromnim količinama podataka društvenih medija. Poseban naglasak stavljen je na industrijski kontekst, gde podatke karakterišu fizički procesi, vremenske serije i složena dinamika sistema. AI sistemi moraju biti pouzdani, robusni i pouzdani kako bi zadovoljili stroge zahteve kvaliteta, bezbednosti i rada industrije i kritične infrastrukture.

Ono što je važno: AI i tehnologije analitike podataka koje stvaraju uticaj na industrijski lanac vrednosti.

Podeljena slika koja prikazuje užarene optičke niti sa leve strane i tim koji nosi

Dvoje kolega pregledavaju veliki displej kontrolne table sa

Tehnologije podataka i veštačke inteligencije pružaju okvir od kraja do kraja za industrijsku inteligenciju. Multimodalni modeli temelja i generativni tokovi rada specifični za domen energije AI, fino podešavanje i dizajn. Kointeligencija čovek-AI integriše kopilote, agentske tokove rada i objašnjive kontrole čoveka u petlji. Iza ovih aplikacija, semantički modeli, grafikoni znanja i analitika vremenskih serija organizuju podatke kako bi omogućili prediktivno održavanje i operativno donošenje odluka.

MLOP i rubne primene upravljaju životnim ciklusom AI, podržani algoritmima optimizacije i fizičkom, neuro-simboličkom AI zasnovanom na ograničenjima u stvarnom svetu. Konačno, pouzdani okviri veštačke inteligencije osiguravaju potpunu sigurnost, upravljanje rizikom i usklađenost sa propisima.

Ovo Osnovna tehnologija kompanije pokreće pametne operacije tokom industrijskog životnog ciklusa. Kopiloti specifični za domen i agentički asistenti pojednostavljuju tokove rada inženjeringa, dizajna, kodiranja i usluga. Prediktivna analitika, modeli temelja i optimizacija omogućavaju operativnu inteligenciju, kontrolu zatvorene petlje, zakazivanje i održavanje imovine u multimodalnim prostorima podataka.

Robotika i fizička AI podržavaju vizuelnu percepciju, orkestraciju zadataka i preciznu kontrolu pokreta. Semantičke strukture podataka i ontologije integrišu ove sisteme, dok korporativne platforme upravljaju ivičnom primenom, rizikom veštačke inteligencije i testiranjem usklađenosti.

Orkestracija Siemensovog levka za inovacije AI proizvoda i upravljanje podacima i veštačkom inteligencijom dopunjuju ove istraživačke aktivnosti.

Ikona za podatke i veštačku inteligenciju

Publikacije

Istražite naše istaknute radove

Poboljšanje objašnjenja zasnovanih na poremećajima razumevanjem uloge kalibracije nesigurnosti

Objavljeno u: 39. konferencija o sistemima za obradu neuronskih informacija (NeuRIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Bütner
(¹ Siemens, ² LMU Minhen, ³ Minhenski centar za mašinsko učenje (MCML), Univerzitet Goethe Frankfurt, Nemački centar za istraživanje raka, Nemački konzorcijum za rak)

Objašnjenja zasnovana na poremećajima povećavaju transparentnost ML -a, ali nepoznato ponašanje modela pod poremećajima ugrožava njihovu pouzdanost. Dokazujemo da modeli proizvode nepouzdane procene verovatnoće pod ovim poremećajima, direktno degradirajući lokalni i globalni kvalitet objašnjenja. Predlažemo da RecalKs ponovo kalibrira modele za bolja objašnjenja bez promene originalnih predviđanja, poboljšavajući robusnost.
Pogledajte na stranici izdavača

Inkrementalno praćenje performansi svesno neizvesnosti sa aktivnom intervencijom označavanja

Objavljeno u: Zbornik radova sa 28. međunarodne konferencije o veštačkoj inteligenciji i statistici, PMLR 258:2188‑2196, 2025
Alekander Koebler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Buettner

Proučavamo praćenje ML modela pod postepenim pomeranjima distribucije, koji polako degradiraju tačnost neotkriveno. Predlažemo inkrementalno praćenje performansi svesno neizvesnosti (IUPM), metodu bez oznaka koja procenjuje promene performansi koristeći optimalni transport. IUPM kvantifikuje nesigurnost predviđanja i koristi aktivno označavanje pod ograničenim budžetom za vraćanje procena, nadmašujući osnovne linije u scenarijima smene.
Pogledajte na stranici izdavača

Viki-tabner: Integrisanje prepoznavanja imenovanih entiteta u Vikipedijske tabele

Objavljeno u: 2025 Međunarodna ACM SIGIR konferencija o istraživanju i razvoju u pronalaženju informacija
Aneta Koleva, Martin Ringskuandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Postojeća merila za tumačenje tabela često previše pojednostavljuju podatke iz stvarnog sveta. Da bismo rešili ovo, predstavljamo Viki-Tabner, izazovan skup podataka koji sadrži složene Vikipedije tabele sa više entiteta po ćeliji, označene pomoću DBpedia klasa. Dizajniran za prepoznavanje entiteta u tabeli (NER) i povezivanje entiteta, detaljno opisujemo njegove karakteristike, označavanje i okvir za procenu LLM-a, praćen kvalitativnom analizom performansi modela i ograničenja skupa podataka.
Pogledajte na stranici izdavača

Lightning UK Bok: Kvantifikacija nesigurnosti za neuronske mreže

Objavljeno u: Časopis za istraživanje mašinskog učenja 26 (2025)
Nils Lehmann, Nina Maria Gottschling, Jakob Gavlikovski, Adam J. Stevart, Stefan Depeveg, Eric Nalisnick

Uprkos uspehu dubokog učenja, njegova priroda crne kutije i nedostajuće procene samopouzdanja izazivaju skepticizam u kritičnim oblastima poput medicine. Da bismo kvantifikaciju nesigurnosti (UK) učinili pristupačnijom i višekratnijom, predstavljamo Lightning UK Bok, biblioteku zasnovanu na Pitorchu koju powered by PiTorch Lightning. Podržava klasifikaciju, regresiju i segmentaciju kroz različite UK metode, pružajući praktičarima skalabilne alate spremne za upotrebu.
Pogledajte na stranici izdavača

Finozrnata dekompozicija nesigurnosti u velikim jezičkim modelima: spektralni pristup

Objavljeno u: Zbornik radova sa AAAI konferencije o veštačkoj inteligenciji (AAAI26)
Nassim Valha¹², Sebastian G. Gruber, Thomas Decker, Iinchong Iang, Alireza Javanmardi, Eike Hullermeier, Florian Buettner¹²³
(¹ Nemački centar za istraživanje raka (DKFZ), ² Nemački konzorcijum za rak (DKTK), ³ Frankfurtski institut za rak, Nemačka, Goethe Univerzitet Frankfurt, Nemačka, ESAT-PSI, KU Leuven, Belgija, Siemens AG, LMU Minhen, Minhenski centar za mašinsko učenje (MCML), Nemački centar za veštačku inteligenciju (DFKI), Kaiserslautern, Nemačka)

Kako se LLM-ovi integrišu u različite aplikacije, dobijanje pouzdanih mera predviđanja nesigurnosti je presudno. Razlikovanje dvosmislenosti aleatoričnih podataka i ograničenja epistemičkog modela od suštinskog je značaja za rešavanje svakog izvora. Uvodimo spektralnu nesigurnost, pristup koji koristi Von Nojmanovu entropiju kvantne teorije informacija za rigorozno odvajanje ukupne neizvesnosti na aleatorične i epistemičke komponente. Koristeći semantičku sličnost, on nadmašuje najsavremenije metode u različitim modelima i referentnim vrednostima.
Pogledajte na stranici izdavača