Företagets kärnteknologier

Data och artificiell intelligens

Data- och AI-forskning utvecklar intelligent teknik som kombinerar industriella data, teknisk kunskap och AI för att lösa komplexa verkliga utmaningar. Fokus ligger på pålitliga, förklarbara AI-system som förbättrar industriell verksamhet, beslutsfattande, hållbarhet och produktivitet i stor skala.

Utforska publikationer

Tänk om vi kunde uppnå industriell intelligens i industrier och kritisk infrastruktur?

Industriell data är en knapp resurs jämfört med de stora volymerna data från sociala medier. Särskild vikt läggs vid det industriella sammanhanget, där data kännetecknas av fysiska processer, tidsserier och komplex systemdynamik. AI-system måste vara tillförlitliga, robusta och pålitliga för att uppfylla de stränga kvalitets-, säkerhets- och driftskraven för industrin och kritisk infrastruktur.

Vad som är viktigt: AI och dataanalysteknik som skapar påverkan i hela den industriella värdekedjan.

Delad bild som visar glödande fiberoptiska trådar till vänster och ett team som bär

Två kollegor granskar en stor instrumentpanelskärm med

Data- och artificiell intelligensteknik ger ett heltäckande ramverk för industriell intelligens. Multimodala grundmodeller och generativ AI driver domänspecifika arbetsflöden, finjustering och design. Human-AI-samintelligens integrerar copiloter, agentiska arbetsflöden och förklarbara människa-in-the-loop-kontroller. Bakom dessa applikationer organiserar semantiska modeller, kunskapsgrafer och tidsserieanalyser data för att möjliggöra förutsägbart underhåll och operativt beslutsfattande.

MLOP och edge-distributioner styr AI-livscykeln, med stöd av optimeringsalgoritmer och fysisk, neurosymbolisk AI grundad på verkliga begränsningar. Slutligen säkerställer pålitliga AI-ramar full säkerhet, riskhantering och regelefterlevnad.

Detta Företagets kärnteknik driver smarta operationer under hela industriens livscykel. Domänspecifika copiloter och agentassistenter effektiviserar arbetsflöden för teknik, design, kodning och service. Prediktiv analys, grundmodeller och optimering möjliggör operativ intelligens, kontroll i sluten slinga, schemaläggning och underhåll av tillgångar över multimodala datautrymmen.

Robotik och fysisk AI stöder visuell uppfattning, uppgiftsorkestrering och exakt rörelsekontroll. Semantiska datatrukturer och ontologier integrerar dessa system, medan företagsplattformar hanterar edge-distribution, AI-risk och efterlevnadstestning.

Orkestrering av Siemens AI-produktinnovationstratt och Data & AI-styrning kompletterar dessa forskningsaktiviteter.

Ikon för data och artificiell intelligens

Publikationer

Utforska våra utvalda artiklar

Förbättra störningsbaserade förklaringar genom att förstå osäkerhetskalibreringens roll

Publicerad i: 39: e konferensen om neurala informationsbehandlingssystem (NeurIPS 2025)
Thomas Decker¹²³, Volker Tresp²³, Florian Büttner5
(¹ Siemens, ² LMU München, ³ Münchens centrum för maskininlärning (MCML), ⁴ Goethe University Frankfurt, ⁄ Tyska cancerforskningscentret, Tyska cancerkonsortiet)

Störningsbaserade förklaringar förbättrar ML-transparensen, men okänt modellbeteende under störningar äventyrar deras tillförlitlighet. Vi bevisar att modeller producerar opålitliga sannolikhetsuppskattningar under dessa störningar, vilket direkt försämrar lokal och global förklaringskvalitet. Vi föreslår RecalX att kalibrera om modeller för bättre förklaringar utan att ändra ursprungliga förutsägelser, vilket förbättrar robustheten.
Visa på förlagets sida

Inkrementell osäkerhetsmedveten prestandaövervakning med aktiv märkningsinsats

Publicerad i: Förhandlingar från den 28:e internationella konferensen om artificiell intelligens och statistik, PMLR 258:2188‑2196, 2025
Alexander Köbler, Thomas Decker, Ingo Thon, Volker Tresp, Florian Büttner

Vi studerar övervakning av ML-modeller under gradvisa distributionsskift, som långsamt försämrar noggrannheten oupptäckt. Vi föreslår stegvis osäkerhetsmedveten prestandaövervakning (IUPM), en etikettfri metod som uppskattar prestandaförändringar med optimal transport. IUPM kvantifierar förutsägelseosäkerhet och använder aktiv märkning under en begränsad budget för att återställa uppskattningar, vilket överträffar baslinjerna i skiftscenarier.
Visa på förlagets sida

Wiki-Tabner: Integrera namngiven entitetsigenkänning i Wikipedia-tabeller

Publicerad i: 2025 Internationell ACM SIGIR-konferens om forskning och utveckling inom informationssökning
Aneta Koleva, Martin Ringsquandl, Ahmed Hatem, Thomas Runkler, Volker Tresp

Befintliga riktmärken för tabelltolkning förenklar ofta verkliga data. För att ta itu med detta introducerar vi Wiki-Tabner, en utmanande dataset med komplexa Wikipedia-tabeller med flera enheter per cell, kommenterade med DBpedia-klasser. Designad för namngiven entitetsigenkänning (NER) i tabellen och enhetslänkning, beskriver vi dess funktioner, märkning och ett LLM-utvärderingsramverk, följt av kvalitativ analys av modellprestanda och datauppsättningsbegränsningar.
Visa på förlagets sida

Lightning UQ Box: Osäkerhetskvantifiering för neurala nätverk

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

Trots djupinlärningens framgång orsakar dess svarta lådans natur och saknade förtroendeuppskattningar skepsis inom kritiska områden som medicin. För att göra osäkerhetskvantifiering (UQ) mer tillgänglig och återanvändbar introducerar vi Lightning UQ Box, ett PyTorch-baserat bibliotek som drivs av PyTorch Lightning. Det stöder klassificering, regression och segmentering över olika UQ-metoder, vilket ger utövare skalbara, färdiga verktyg.
Visa på förlagets sida

Finkornig osäkerhetsnedbrytning i stora språkmodeller: Ett spektralt tillvägagångssätt

Publicerad i: Proceedings of the AAAI Conference on Artificial Intelligence (AAAI26)
Nassim Walha¹², Sebastian G. Gruber5, Thomas Decker, Yinchong Yang, Alireza Javanmardi, Eyke Hüllermeier, Florian Buettner¹²³⁴
(¹ Tyska cancerforskningscentret (DKFZ), ² Tyska cancerkonsortiet (DKTK), ³ Frankfurt Cancer Institute, Tyskland, ⁴ Goethe University Frankfurt, Tyskland, ⇓ ESAT-PSI, KU Leuven, Belgien, Siemens AG, LMU München, Münchens centrum för maskininlärning (MCML), Tyska centret för artificiell intelligens (DFKI), Kaiserslautern, Tyskland)

Eftersom LLM integreras i olika applikationer är det avgörande att få tillförlitliga förutsägbara osäkerhetsmått. Att skilja mellan aleatorisk datatetydighet och epistemiska modellbegränsningar är avgörande för att ta itu med varje källa. Vi introducerar spektral osäkerhet, ett tillvägagångssätt som använder kvantinformationsteorins Von Neumann-entropi för att strikt separera total osäkerhet i aleatoriska och epistemiska komponenter. Genom att utnyttja semantisk likhet överträffar den toppmoderna metoder över olika modeller och riktmärken.
Visa på förlagets sida