如果我們能夠在產業和關鍵基礎設施中實現工業智能，該怎麼辦？
與大量社交媒體數據相比，工業數據是一種稀少的資源。特別重視工業環境，資料以物理流程、時間序列和複雜的系統動態為特徵。AI 系統必須可靠、穩固且值得信賴，以滿足產業和關鍵基礎設施的嚴格質量、安全和營運要求。
重要的是：在工業價值鏈中產生影響的 AI 和資料分析技術。
公司核心技術
數據和人工智能
資料與 AI 研究開發智慧技術，結合工業資料、工程知識和人工智慧，以解決複雜的真實世界挑戰。重點是值得信賴、可解釋的 AI 系統，可大規模改善工業運營、決策、可持續性和生產力。
數據和人工智能技術為工業智能提供端對端框架。多模式基礎模型和生成式 AI 為特定領域的工作流程、微調和設計提供支援。人-AI 共同智能整合副駕駛員、代理工作流程和可解釋的人體循環控制項。這些應用程式背後，語義模型、知識圖表和時間序列分析可組織資料，以實現預測性維護和作業決策。
MLOP 和邊緣部署控制人工智能生命週期，並由最佳化演算法和基於真實的限制的物理神經符號 AI 支持。最後，值得信賴的 AI 架構確保完全安全、風險管理和法規遵循。
這個 公司核心技術 為整個工業生命週期提供智慧營運。專屬領域副駕駛員和代理助理簡化工程、設計、編碼和服務工作流程。預測分析、基礎模型和最佳化可在多模式資料空間中實現營運智慧、閉迴路控制、排程和資產維護。
機器人和物理 AI 支持視覺感知，任務編排和精確的運動控制。語義資料架構和本體系整合這些系統，而企業平台則會管理邊緣部署、AI 風險和合規性測試。
西門子的人工智能產品創新渠道和資料與 AI 治理的協調完成這些研究活動。
出版物
探索我們的精選論文
通過了解不確定性校正的作用來改善以干擾為基礎的解釋
發表於：第 39 屆神經信息處理系統會議（NeurIPS 2025）
托馬斯·德克 ¹²³，福克·特雷斯普 ²³，弗洛里安·布特內爾 ５
(¹ 西門子, ² 慕尼黑 LMU, ³ 慕尼黑機器學習中心 (MCML), ⁴ 法蘭克福歌德大學, ５ 德國癌症研究中心, 德國癌症聯盟)
以干擾為基礎的解釋可增強 ML 透明度，但干擾下未知的模型行為會影響它們的可靠性。我們證明，模型在這些干擾下產生不可靠的概率估計，直接降低本地和全球解釋質量。我們建議 RecalX 重新校準模型以獲得更好的解釋，而不會改變原始預測，提高穩定性。
在出版商頁面查看
具有主動標籤介入的增量不確定性能感知性能監控
發表於：第二十八屆人工智慧與統計國際研討會論文集，PMLR 258：2188‑2196，2025
亞歷山大·科布勒、托馬斯·德克、英戈·湯恩、沃爾克·特雷斯普、弗洛里安·布特納
我們研究在逐步分佈位移下監控 ML 模型，這些模型會慢慢降低未被發現的準確性。我們建議增量不確定性能感知性能監控 (IUPM)，這是一種無標籤的方法，可以使用最佳傳輸來估算效能變化。IUPM 可量化預測不確定性，並在有限的預算下使用作用中標籤來恢復估算，在變更情境中表現優於基準。
在出版商頁面查看
維基-Tabner：將命名實體識別整合到維基百科表中
發表於:2025 國際 ACM SIGIR 資訊檢索研發研討會
阿內塔·科列瓦、馬丁·林斯奎德爾、艾哈邁德·哈特姆、托馬斯·朗克勒、沃爾克·特雷斯普
現有的表格解釋基準測試通常會過度簡化現實世界資為了解決這個問題，我們介紹了 WikiTabner，這是一個具有挑戰性的數據集，其中包含每個單元格具有多個實體的複雜維基百科表，並使用 DBpedia 類進行註釋。我們專為表內命名實體識別 (NER) 和實體鏈接而設計，詳細了其功能、標籤和 LLM 評估框架，然後對模型性能和數據集限制進行定性分析。
在出版商頁面查看
閃電 UQ 盒：神經網絡的不確定性量化
發表於：機器學習研究雜誌 26 (2025)
尼爾斯·萊曼、妮娜·瑪麗亞·戈茨林、雅各布·加夫利科夫斯基、亞當 ·J· 斯圖爾特、斯蒂芬·德佩韋格、埃里克·納利斯尼克
儘管深度學習成功，但它的黑盒性質和缺少的信心估計導致醫學等關鍵領域的懷疑態度。為了使不確定性量化（UQ）更易於訪問和可重複使用，我們引入了 Lightning UQ Box，這是一個基於 PyTorch Lightning 的基於 PyTorch 的庫。它支持跨多種 UQ 方法的分類，回歸和細分，從而為從業者提供可擴展的，即可使用的工具。
在出版商頁面查看
大語言模型中的細粒性不確定性分解：光譜方法
發表於：AAAI 人工智能會議論文集 (AAAI26)
納西姆·瓦爾哈 ¹², 塞巴斯蒂安 ·G· 格魯伯, 托馬斯·德克爾 6, 銀昌楊, 阿里雷莎·賈萬馬迪 8, 艾克·胡勒梅爾 7, 弗洛里安·布特納 ¹²³⁴
(¹ 德國癌症研究中心（DKFZ），² 德國癌症聯盟（DKTK），³ 德國法蘭克福癌症研究所，⁴ 德國法蘭克福歌德大學，五 ESAT-PSI，比利時西門子公司，慕尼黑 LMU 慕尼黑機器學習中心 (MCML)，德國人工智能中心（DFKI），凱澤斯勞滕
由於 LLM 整合到多種應用程序中，獲得可靠的預測不確定性測量是至關重要的。區分隨機數據模糊性和認知模型限制對於解決每個來源至關重要。我們介紹了光譜不確定性，這是一種使用量子信息理論的馮·諾伊曼 ENTROPY 的方法來嚴格地將總不確定性分開為隨機和認知元件。通過利用語義相似性，它在各種模型和基準測試中優於最先進的方法。
在出版商頁面查看