AI Research d’entreprise
Recherches recommandées
Les modèles fondationnels pour les données tabulaires dans des contextes systémiques nécessitent un ancrage
Nous proposons des modèles de fondation pour les tables liées sémantiquement (FMSLT, Foundation Models for Semantically Linked Tables) afin de faire progresser la compréhension des données d'entreprise structurées. Les tables d'entreprise sont interconnectées par une logique opérationnelle et des relations sémantiques qui définissent le fonctionnement des entreprises. Reconnaître et modéliser ces connexions est essentiel pour saisir la véritable nature des données d'entreprise.
ConTextTab : un apprenant en contexte tabulaire sensible à la sémantique. NeurIPS 2025 (Spotlight)
En s'appuyant sur les plongements de LLM, ConTextTab intègre avec succès la sémantique des caractéristiques de tableaux dans la prédiction tabulaire, excellant sur les données à fort contenu sémantique telles que le texte libre ou les catégories descriptives.
RELATE : un encodeur Perceiver agnostique au schéma pour les graphes relationnels multimodaux
Nous présentons RELATE (Relational Encoder for Latent Aggregation of Typed Entities), un encodeur de caractéristiques prêt à l’emploi et agnostique au schéma, qui peut être utilisé avec n’importe quel GNN à usage général.
Jeux de données d’entreprise open source
Nous présentons SALT et SALT-KG, les premiers jeux de données d’entreprise conçus à partir de systèmes ERP réels de clients. Ils associent des tables d’entreprise riches et liées à un graphe de connaissances organisé capturant le contexte sémantique. Ensemble, ils posent les bases pour faire progresser les modèles fondationnels qui comprennent véritablement les données d’entreprise structurées.
Article et modèle de fondation open source sur les données tabulaires : SAP-RPT-1-OSS
Nous avons publié notre article de recherche ConTextTab à NeurIPS 2025 (article Spotlight) et mis à disposition une version open weight de notre modèle sous le nom de SAP-RPT-1-OSS.
Qui sommes-nous
Chez SAP Business AI Research, nous faisons le pont entre le monde universitaire et l’industrie, avec l’ambition de faire progresser les systèmes d’IA de nouvelle génération. Nos recherches répondent aux complexités des environnements d’entreprise réels en associant des techniques d’IA de pointe aux défis spécifiques à chaque domaine. Nous nous concentrons sur deux axes de recherche principaux afin de veiller à ce que nos modèles soient non seulement puissants, mais aussi pratiques, fiables et évolutifs.
Domaines de recherche
Track A : modèles de fondation tenant compte de la structure
Nous développons des modèles fondamentaux capables de raisonner sur des données d’entreprise complexes et liées, couvrant des tableaux, des séries chronologiques et des graphes. En intégrant la compréhension structurelle, des entrées multimodales et le raisonnement causal, nos modèles permettent une IA métier avancée pour l’analyse, les prévisions et la prise de décision.
Apprentissage de représentations de tableaux
Apprentissage des représentations de données tabulaires via des modèles natifs des tableaux et basés sur le langage, intégrant les données d’entreprise pour un raisonnement avancé.
Réseaux neuronaux de graphes
Utilisation des réseaux de neurones graphiques pour modéliser des données tabulaires relationnelles, permettant des prédictions précises et des insights plus approfondis dans l'IA d'entreprise.
Graphe de connaissances d'entreprise
Création de graphes de connaissances d’entreprise pour permettre des requêtes précises et contextuelles sur diverses données d’entreprise.
IA agentique
Créer des agents capables de s’auto-améliorer pour une automatisation fiable et axée sur les objectifs dans les systèmes d’entreprise.
LLM de codage (ABAP)
Renforcer le développement de logiciels d’entreprise grâce à des modèles de base ABAP spécifiques au domaine pour une assistance intelligente au codage.
Piste B : IA fiable
Nos recherches développent des systèmes d’IA robustes, équitables, transparents et alignés sur les valeurs humaines, ce qui est essentiel pour une utilisation concrète en entreprise. Nous nous concentrons sur la robustesse, l’explicabilité, l’équité, la confidentialité et l’alignement sur les contraintes propres au domaine afin de garantir un déploiement fiable et responsable de l’IA.
Confidentialité différentielle
Nous développons des modèles de Deep Learning efficaces qui économisent les ressources et protègent la confidentialité.
Confidentialité des données
Nous garantissons la confidentialité des données en protégeant les données structurées et en validant la protection de la vie privée au moyen d'audits et d'attaques.
Protection des modèles
Analyse des sentiments dans le texte à l'aide de plongements neuronaux et de l'attention.
Tests de sécurité
Améliorer la transparence des modèles en rendant les prédictions explicables.
Alignement humain
Extraction de données à partir de documents à l'aide du NLP et de la vision par ordinateur.
Carrières
Rejoignez-nous et bâtissez l'avenir de l'IA d'entreprise
Travaillez avec des jeux de données riches pour trouver des solutions basées sur le Machine Learning à des problèmes concrets, en étroite collaboration avec notre réseau mondial de partenaires de recherche.
Programme de stages pour doctorants
En tant que stagiaire doctorant, vous travaillerez avec une équipe de chercheurs et de scientifiques appliqués expérimentés, relevant des défis inspirés par le déploiement à grande échelle des méthodes d’IA dans l’ensemble et au-delà du vaste portefeuille de logiciels d’entreprise de SAP. Vous aurez l’opportunité de travailler avec certains des ensembles de données les plus riches au monde, afin de résoudre des problèmes qui ont un impact sur nos clients.
Publications
Transformeur relationnel : vers des modèles de fondation zero-shot pour les données relationnelles
Rishabh Ranjan, Valter Hudovernik, Mark Znidar, Charilaos Kanatsoulis, Roshan Upendra, Mahmoud Mohammadi, Joe Meyer, Tom Palczewski, Carlos Guestrin, Jure Leskovec, ICLR, 2026
Penny Chong, Harshavardhan Abichandani, Jiyuan SHEN, Atin Ghosh, Min Pyae Moe, Yifan Mai, Daniel Dahlmeier, ICLR, 2026
Vignesh Kothapalli, Rishabh Ranjan, Valter Hudovernik, Vijay Prakash Dwivedi, Johannes Hoffart, Carlos Guestrin, Jure Leskovec, ICML, 2026
Ashutosh Hathidara, Julien Yu, Sebastian Schreiber, ACL Findings, 2026
SPRINT : inférence évolutive, sécurisée et à confidentialité différentielle pour les Transformers
Francesco Capano, Jonas Böhler, Benjamin Weggenmann, PETS, 2026
Weishi Wang, Hengchang Hu, et Daniel Dahlmeier, EACL, 2026
Francesco Capano, Jonas Böhler, Benjamin Weggenmann, IEEE SatML, 2026
RecPFN : réseaux ajustés sur des a priori pour des recommandations basées sur le contexte.
En Zhi Tan, Jia Xiang Lim, Bryan Chew, Tze Minh Ng, Benjamin Yap, Volet Articles longs, SIGIR, 2026
Jiyuan Shen, Peiyue Yuan, Atin Ghosh, Yifan Mai, Daniel Dahlmeier, Industry Track, EACL, 2026
Joseph Meyer, Afreen Shaikh, Mohammadi Reza, Dinesh Katupputhur Ramprasath, Karan Paresh, Roshan Reddy Upendra, Tom Palczewski, Mark Li, Summer Symposium, AAAI, 2026
Tao Bai, Zhaochen Li, Hongxin Shao, Daniel Dahlmeier, Industry Track, ACL, 2026
Validation des données à plusieurs niveaux pour les pipelines de construction de graphes de connaissances
Lars Heling, Isaiah Onando Mulang’, Hassan el Hajj, Felix Sasaki, Industry Track, ESWC, 2026
MirrorBench : un cadre extensible pour évaluer User-Proxy
Ashutosh Hathidara, Julien Yu, Vaishali, Sebastian Schreiber, Anil Babu Ankisettipalli, Volet jeux de données & bancs d’essai, KDD, 2026
Évaluation unifiée des méthodes de plongement de tables sur plusieurs scénarios de référence
Ali Younes, Saeed Ghoorchian, Maximilian Schambach, Johannes Höhne, atelier DATA-FM, ICLR, 2026
Modèle de fondation tabulaire pour la modélisation générative
Xiangjian Jiang, Mingxuan Liu, Nikola Simidjievski, Tassilo Klein, Mateja Jamnik, atelier FMSD, ICML, 2026
Mingxuan Liu, Xiangjian Jiang, Johannes Hoffart, Tassilo Klein, atelier FMSD, ICML, 2026
Tassilo Klein, Johannes Hoffart, atelier FMSD, ICML, 2026
Dinesh Katupputhur Ramprasath, Tom Palczewski, Joe Meyer, Roshan Reddy Upendra, Minghua Li, atelier FMSD, ICML, 2026
De PLUREL à RDB-PFN : pré-entraînement relationnel synthétique guidé par le schéma
Mohammad Sadeq Abolhasani, Viswanath Ganapathy, atelier FMSD, ICML, 2026
Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos I. Kanatsoulis, Roshan Reddy Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec, atelier FMSD, ICML, 2026
Marek Polewczyk, Maximilian Schambach, Marco Spinaci, Sam Thelin, Johannes Höhne, atelier FMSD, ICML, 2026
Explorer les différences entre les données tabulaires d'entreprise et les benchmarks publics
Myung Jun Kim, Maximilian Schambach, Frank Essenberger, André Sres, Johannes Höhne, FMSD workshop, ICML, 2026
Amélioration des apprenants tabulaires grâce à des représentations sémantiques contextuelles
Günther Schindler, Maximilian Schambach, Johannes Höhne, FMSD workshop, ICML, 2026
Évaluation comparative de l’attention pour les modèles de base tabulaires
Maximilian Schambach, Clemens Biehl, Sam Thelin, atelier FMSD, ICML, 2026
Sondage de la mémorisation de l’apprentissage en contexte tabulaire
Francesco Capano, Jonas Böhler, atelier FMSD, ICML, 2026
Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos I. Kanatsoulis, Roshan Reddy Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec, GFM workshop, ICML, 2026
Dinesh Katupputhur Ramprasath, Tom Palczewski, Joe Meyer, Roshan Reddy Upendra, Minghua Li, atelier GFM, ICML, 2026
Wenyang Hu, Yao Shu, See-Kiong Ng, Bryan Kian Hsiang Low, atelier AdaptFM, ICML, 2026
Inciter au partage de modèles boîte noire avec des récompenses et des gains équitables
Wenyang Hu, Xinyi Xu, See-Kiong Ng, Bryan Kian Hsiang Low, AAMAS (Extended Abstract), 2026
Isaiah Onando Mulang', Johannes Thaller, Tushar Trivedi, Lars Heling, Felix Sasaki, atelier GENAIK NORA, IJCAI-ECAI, 2026
Extension de vocabulaire économe en paramètres via l’alignement de plongements interlinguistiques
Andrew Ivan Soegeng, Muhammad Reza Qorib, Weishi Wang, Daniel Dahlmeier, Hwee Tou Ng, atelier MeLLM, ACL, 2026
Andrew Ivan Soegeng, Patrick Sutanto, Nguyen Tan Sang, atelier MeLLM, ACL, 2026