Recherches sur l'IA d'entreprise
Étude à la une
ConTextTab : apprenant dans le contexte tabulaire sémantique
En exploitant les intégrations LLM, ConTextTab intègre avec succès la sémantique des fonctionnalités de table dans la prédiction tabulaire, brillant sur les données avec un contenu sémantique élevé tel que du texte libre ou des catégories descriptives.
RELATE : encodeur perceptif indépendant du schéma pour les graphiques relationnels multimodaux
Nous introduisons RELATE (Relational Encoder for Latent Aggregation of Typed Entities (Encodeur relationnel pour l'agrégation latente d'entités typées)), un encodeur de fonctionnalité compatible avec tous les schémas, qui peut être utilisé avec n'importe quel GNN à usage général.
Modèles fondateurs pour les données tabulaires dans les contextes systémiques
Nous proposons des modèles fondateurs pour les tables liées sémantiquement (FMSLT) pour améliorer la compréhension des données d'entreprise structurées. Les tables d'entreprise sont interconnectées via une logique opérationnelle et des relations sémantiques qui définissent la manière dont les entreprises opèrent. La reconnaissance et la modélisation de ces connexions sont essentielles pour capturer la véritable nature des données d'entreprise.
Ensembles de données d'entreprise open source
Nous présentons SALT et SALT-KG, les premiers ensembles de données d'entreprise créés à partir de systèmes ERP clients réels. Ils combinent des tables de gestion riches et liées avec un graphe de connaissances géré capturant le contexte sémantique. Ensemble, ils posent les bases d'une avancée des modèles fondateurs qui comprennent véritablement les données structurées de l'entreprise.
Qui sommes-nous
Chez SAP Business AI Research, nous servons de pont entre le monde universitaire et l'industrie, et nous dédions à l'avancement des systèmes IA de nouvelle génération. Nos recherches portent sur les complexités des environnements d'entreprise réels en intégrant des techniques IA de pointe à des défis spécifiques au domaine. Nous nous concentrons sur deux pistes de recherche principales pour nous assurer que nos modèles sont non seulement puissants, mais aussi pratiques, fiables et évolutifs.
Domaines de recherche
Piste A : structure - Modèles fondateurs conscients
Nous développons des modèles fondateurs qui traitent des données métier complexes et liées, couvrant des tableaux, des séries chronologiques et des graphiques. En intégrant la sensibilisation structurelle, les intrants multimodaux et le raisonnement causal, nos modèles favorisent une IA d'entreprise avancée pour l'analyse, la prévision et la prise de décision.
Apprentissage de la représentation des tables
Apprentissage des représentations tabulaires des données via des modèles natifs de table et basés sur le langage, en intégrant les données métier pour un raisonnement avancé.
Réseaux neuronaux graphiques
Utilisation des réseaux neuronaux graphiques pour modéliser les données tabulaires relationnelles, permettant des prévisions précises et des insights plus approfondis dans l'IA d'entreprise.
Graphe de connaissances métier
Création de graphes de connaissances d'entreprise pour permettre des requêtes précises et contextuelles dans diverses données métier.
IA agentique
Création d'agents qui s'auto-améliorent pour une automatisation fiable et axée sur les objectifs dans les systèmes d'entreprise.
Codage LLM (ABAP)
Renforcer le développement de logiciels d'entreprise avec des modèles fondateurs ABAP spécifiques au domaine pour une assistance au codage intelligent.
Piste B : une IA fiable
Notre recherche développe des systèmes IA robustes, équitables, transparents et alignés sur les valeurs humaines, essentiels à une utilisation réelle en entreprise. Nous nous concentrons sur la robustesse, l'explicabilité, l'équité, la confidentialité et l'alignement avec les contraintes spécifiques du domaine pour garantir un déploiement fiable et responsable de l'IA.
Confidentialité différentielle
Nous développons des modèles de Deep Learning efficaces qui permettent d'économiser des ressources et de protéger la vie privée.
Confidentialité des données
Nous garantissons la confidentialité des données en protégeant les données structurées et en validant la confidentialité par le biais d'audits et d'attaques.
Protection du modèle
Analyse du ressenti dans le texte à l'aide de l'incorporation neuronale et de l'attention.
Tests de sécurité
Amélioration de la transparence du modèle en rendant les prévisions explicables.
Alignement humain
Extraction de données à partir de documents à l'aide du NLP et de la vision par ordinateur.
Offres d'emploi
Rejoignez-nous et construisez l'avenir de l'IA d'entreprise
Travaillez avec des ensembles de données riches pour trouver des solutions basées sur le Machine Learning aux problèmes réels en étroite collaboration avec notre réseau mondial de partenaires de recherche.