Основні технології компанії

Дані та штучний інтелект

Дослідження даних та штучного інтелекту розробляють інтелектуальні технології, які поєднують промислові дані, інженерні знання та штучний інтелект для вирішення складних проблем реального світу. Основна увага приділяється надійним, зрозумілим системам штучного інтелекту, які покращують промислові операції, прийняття рішень, стійкість та продуктивність у масштабах.

Ознайомтеся з публікаціями

Що, якби ми могли досягти промислової розвідки в галузях промисловості та критичній інфраструктурі?

Промислові дані є дефіцитним ресурсом порівняно з величезними обсягами даних соціальних медіа. Особливий акцент робиться на промисловому контексті, де дані характеризуються фізичними процесами, часовими рядами та складною системною динамікою. Системи штучного інтелекту повинні бути надійними, надійними та надійними, щоб відповідати суворим вимогам якості, безпеки та експлуатації промисловості та критичної інфраструктури.

Що важливо: технології штучного інтелекту та аналітики даних, які створюють вплив у всьому промисловому ланцюжку створення вартості.

Розділене зображення, що показує світяться волоконно-оптичні нитки зліва та команду, яка носить

Двоє колег переглядають великий дисплей приладової панелі з

Технології даних та штучного інтелекту забезпечують наскрізну основу для промислового інтелекту. Мультимодальні базові моделі та генеративний штучний інтелект забезпечують конкретні доменні робочі процеси, тонке налаштування та дизайн. Спільний інтелект людини та штучного інтелекту інтегрує копілоти, агентні робочі процеси та пояснювані елементи керування людиною в циклі. За цими додатками семантичні моделі, графіки знань та аналітика часових рядів організовують дані, щоб забезпечити прогнозне обслуговування та прийняття оперативних рішень.

MLOP та крайові розгортання регулюють життєвий цикл штучного інтелекту, підтримуючись алгоритмами оптимізації та фізичним, нейросимволічним штучним інтелектом, заснованим на реальних обмеженнях. Нарешті, надійні структури AI забезпечують повну безпеку, управління ризиками та відповідність нормативним вимогам.

Це Основна технологія компанії забезпечує інтелектуальні операції протягом усього промислового життєвого циклу. Копілоти та асистенти агентів, що стосуються конкретного домену, спрощують робочі процеси інженерії, проектування, кодування та обслуговування. Прогнозна аналітика, фундаментальні моделі та оптимізація забезпечують оперативну аналітику, контроль замкнутого циклу, планування та обслуговування активів у мультимодальних просторах даних.

Робототехніка та фізичний штучний інтелект підтримують візуальне сприйняття, оркестровування завдань та точне управління рухом. Семантичні структури даних та онтології інтегрують ці системи, тоді як корпоративні платформи керують розгортанням краю, ризиками AI та тестуванням відповідності.

Організація інноваційної воронки продуктів штучного інтелекту Siemens та управління даними та штучним інтелектом доповнюють ці дослідницькі заходи.

Публікації

Ознайомтеся з нашими рекомендованими документами

Удосконалення пояснень на основі збурень шляхом розуміння ролі калібрування невизначеності

Опубліковано в: 39-а конференція з систем обробки нейронної інформації (NeurIPS 2025)
Томас Деккер¹²³, Фолкер Тресп²³, Флоріан Бюттнер５
(¹ Siemens, ² LMU Мюнхен, ³ Мюнхенський центр машинного навчання (MCML), ⁴ Університет Гете Франкфурт, ⁄ Німецький центр досліджень раку, Німецький онкологічний консорціум)

Пояснення на основі збурень підвищують прозорість ML, але невідома поведінка моделі під час збурень ставить під загрозу їх надійність. Ми доведено, що моделі дають ненадійні оцінки ймовірностей за цих збурень, безпосередньо погіршуючи якість локальних та глобальних пояснень. Ми пропонуємо RecalX перекалібрувати моделі для кращих пояснень, не змінюючи оригінальних прогнозів, покращуючи надійність.
Переглянути на сторінці видавця

Інкрементальний моніторинг продуктивності з урахуванням невизначеності з активним втручанням у маркування

Опубліковано в: Матеріали 28-ї Міжнародної конференції зі штучного інтелекту та статистики, PMLR 258:2188‑2196, 2025
Олександр Кеблер, Томас Декер, Інго Тон, Волкер Тресп, Флоріан Бюттнер

Ми вивчаємо моніторингові моделі ML за поступових зрушень розподілу, які повільно погіршують точність, непоміченою. Ми пропонуємо поступовий моніторинг продуктивності з урахуванням невизначеності (IUPM), метод без етикеток, який оцінює зміни продуктивності за допомогою оптимального транспорту. IUPM кількісно оцінює невизначеність прогнозування та використовує активне маркування в рамках обмеженого бюджету для відновлення оцінок, перевершуючи базові показники у сценаріях змін.
Переглянути на сторінці видавця

Wiki-Tabner: Інтеграція розпізнавання іменованих сутностей у таблиці Вікіпедії

Опубліковано в: 2025 Міжнародна конференція ACM SIGIR з досліджень та розробок у пошуку інформації
Анета Колева, Мартін Рінгсквандл, Ахмед Хатем, Томас Рунклер, Волкер Тресп

Існуючі орієнтири інтерпретації таблиць часто надто спрощують реальні дані. Щоб вирішити це, ми представляємо Wiki-Tabner, складний набір даних із складними таблицями Вікіпедії з кількома сутностями на клітинку, анотований за допомогою класів DBpedia. Розроблений для розпізнавання названих сутностей у таблиці (NER) та зв'язування суб'єктів, ми детально описуємо його особливості, маркування та структуру оцінки LLM, а потім якісний аналіз продуктивності моделі та обмежень набору даних.
Переглянути на сторінці видавця

Lightning UQ Box: кількісне визначення невизначеності для нейронних мереж

Опубліковано в: Журнал досліджень машинного навчання 26 (2025)
Нілс Леманн, Ніна Марія Готшлінг, Якоб Гавліковський, Адам Дж. Стюарт, Стефан Депевег, Ерік Наліснік

Незважаючи на успіх глибокого навчання, його чорна скринька та відсутність оцінок впевненості викликають скептицизм у таких критичних сферах, як медицина. Щоб зробити кількісне визначення невизначеності (UQ) більш доступним та багаторазовим, ми представляємо Lightning UQ Box, бібліотеку на базі PyTorch, що працює на базі PyTorch Lightning. Він підтримує класифікацію, регресію та сегментацію за різними методами UQ, надаючи практикам масштабовані, готові до використання інструменти.
Переглянути на сторінці видавця

Дрібнозерниста декомпозиція невизначеності у великих мовних моделях: спектральний підхід

Опубліковано в: Матеріали конференції AAAI зі штучного інтелекту (AAAI26)
Нассім Вальха¹², Себастьян Г. Грубер5, Томас Деккер, Іньчун Янг, Аліреза Джаванмарді, Флоріан Бюттнер¹²³⁴
(¹ Німецький центр досліджень раку (DKFZ), ² Німецький консорціум раку (DKTK), ³ Франкфуртський інститут раку, Німеччина, ⁴ Університет Гете Франкфурт, Німеччина, ⇓ ESAT-PSI, KU Левен, Бельгія, Siemens AG, LMU Мюнхен, Мюнхенський центр машинного навчання (MCML), Німецький центр штучного інтелекту (DFKI), Кайзерслаутерн, Німеччина)

Оскільки LLM інтегруються в різноманітні програми, отримання надійних показників прогнозної невизначеності має вирішальне значення. Розрізнення неоднозначності випадкових даних та обмежень епістемічної моделі має важливе значення для вирішення кожного джерела. Ми вводимо спектральну невизначеність, підхід, який використовує ентропію Фон Ноймана квантової теорії інформації для суворого розділення повної невизначеності на алеаторні та епістемічні компоненти. Використовуючи семантичну схожість, він перевершує найсучасніші методи для різних моделей та орієнтирів.
Переглянути на сторінці видавця