如果我们能在工业和关键基础设施中实现工业智能呢？
与大量的社交媒体数据相比，工业数据是一种稀缺资源。特别强调工业环境，其中数据以物理过程、时间序列和复杂的系统动力学为特征。人工智能系统必须可靠、稳健和值得信赖，才能满足行业和关键基础设施的严格质量、安全和运营要求。
重要的是：对整个工业价值链产生影响的人工智能和数据分析技术。
公司核心技术
数据和人工智能
数据和人工智能研究开发智能技术，将工业数据、工程知识和人工智能相结合，以解决复杂的现实挑战。重点是可信、可解释的人工智能系统，这些系统可以大规模改善工业运营、决策、可持续性和生产力。
数据和人工智能技术为工业智能提供了端到端框架。多模态基础模型和生成式 AI 为特定领域的工作流程、微调和设计提供支持。Human-AI 协同智能集成了副驾驶、代理工作流程和可解释的人工在环控制。在这些应用程序的背后，语义模型、知识图和时间序列分析可以组织数据，以实现预测性维护和运营决策。
MLOP 和边缘部署控制着人工智能生命周期，由优化算法和基于现实世界限制的物理神经符号人工智能提供支持。最后，值得信赖的人工智能框架可确保全面的安全、风险管理和监管合规性。
这个 公司核心技术 为整个工业生命周期的智能运营提供支持。特定领域的副驾驶和代理助手简化了工程、设计、编码和服务工作流程。预测分析、基础模型和优化可实现跨多模态数据空间的运营智能、闭环控制、调度和资产维护。
机器人和物理 AI 支持视觉感知、任务编排和精确的运动控制。语义数据结构和本体集成了这些系统，而企业平台则管理边缘部署、人工智能风险和合规性测试。
西门子人工智能产品创新渠道的协调以及数据和人工智能治理是对这些研究活动的补充。
出版物
浏览我们的精选论文
通过了解不确定性校准的作用来改善基于扰动的解释
发表于：第 39 届神经信息处理系统会议 (NeurIPS 2025)
Thomas Decker¹ ²³、Volker Tresp²³、Florian Büttner¹
(¹ Siemens、² LMU 慕尼黑分校、³ 慕尼黑机器学习中心 (MCML)、法兰克福歌德大学、德国癌症研究中心、德国癌症联盟)
基于扰动的解释增强了机器学习的透明度，但扰动下的未知模型行为会降低其可靠性。我们证明，在这些扰动下，模型产生的概率估计值不可靠，直接降低了局部和全球的解释质量。我们建议在不改变原始预测的情况下重新校准模型以获得更好的解释，从而提高稳健性。
在出版商页面上查看
通过主动标签干预实现增量不确定性感知性能监控
出版于：第 28 届国际人工智能与统计会议论文集，PMLR 258:2188‑2196，2025
亚历山大·科布勒、托马斯·德克尔、英戈·托恩、沃尔克·特雷斯普、弗洛里安·布特纳
我们研究了在渐进分布偏移下监控机器学习模型，这种变化会慢慢降低准确性，而不会被发现。我们提出了增量不确定性感知性能监测（IUPM），这是一种使用最佳传输来估计性能变化的无标签方法。IUPM 量化预测的不确定性，并在有限的预算下使用主动标签来恢复估计，在变换情景中表现优于基线。
在出版商页面上查看
Wiki-tabner：将命名实体识别集成到维基百科表格中
出版于：2025 年国际 ACM SIGIR 信息检索研究与发展会议
Aneta Koleva、Martin Ringsquandl、Ahmed Hatem、Thomas Runkler、Volker Tresp
现有的表格解释基准往往过度简化了现实世界的数据。为了解决这个问题，我们推出了Wiki-Tabner，这是一个具有挑战性的数据集，其中包含复杂的维基百科表格，每个单元格有多个实体，使用DBpedia类进行注释。专为表内命名实体识别 (NER) 和实体链接而设计，我们详细介绍了其特征、标签和 LLM 评估框架，然后对模型性能和数据集局限性进行了定性分析。
在出版商页面上查看
Lightning UQ Box：神经网络的不确定性量化
发表于：机器学习研究杂志 26 (2025)
Nils Lehmann、Nina Maria Gottschling、Jakob Gawlikowski、Adam J. Stewart、Stefan Depeweg、Eric Nalisnick
尽管深度学习取得了成功，但其黑箱性质和缺乏信心估计值在医学等关键领域引起了怀疑。为了使不确定性量化 (UQ) 更易于访问和可重复使用，我们推出了 Lightning UQ Box，这是一个基于 PyTorch 的库，由 PyTorch Lightning 提供支持。它支持对不同的 UQ 方法进行分类、回归和分割，为从业者提供可扩展、随时可用的工具。
在出版商页面上查看
大型语言模型中的细粒度不确定性分解：一种谱方法
出版于：AAAI 人工智能会议论文集 (AAAI26)
纳西姆·沃尔哈¹、塞巴斯蒂安 G. 格鲁伯、托马斯·德克尔、杨银冲、Alireza Javanmardi、Eyke Hüllermeier、Eyke Hüllermeier、Florian Buettner¹ ²²²
(¹ 德国癌症研究中心 (DKFZ)，² 德国癌症联盟 (DKTK)，³ 德国法兰克福癌症研究所，德国法兰克福歌德大学，ESAT-PSI，比利时鲁汶大学，西门子股份公司，慕尼黑大学机器学习中心 (MCML)，德国人工智能中心 (DFKI)，德国凯泽斯劳滕）
随着 LLM 集成到各种应用中，获得可靠的预测性不确定性衡量标准至关重要。区分随机数据歧义和认识论模型的局限性对于解决每个来源至关重要。我们引入了频谱不确定性，该方法使用量子信息论的冯·诺伊曼熵将总不确定性严格分为随机分量和认识论分量。通过利用语义相似性，它在不同模型和基准测试中的表现优于最先进的方法。
在出版商页面上查看