Cercetare în domeniul inteligenței artificiale în afaceri
Cercetare recomandată
Modelele fundamentale pentru datele tabulare în contexte sistemice necesită fundamentare
Propunem Modele de Fundație pentru Tabele Legate Semantic (FMSLT) pentru a îmbunătăți înțelegerea datelor structurate ale întreprinderilor. Tabelele de întreprindere sunt interconectate prin logică operațională și relații semantice care definesc modul în care funcționează afacerile. Recunoașterea și modelarea acestor conexiuni este esențială pentru surprinderea adevăratei naturi a datelor întreprinderii.
ConTextTab: Un instrument de învățare în context, bazat pe tabele și conștient de semantică. NeurIPS 2025 (În centrul atenției)
Prin valorificarea încorporărilor LLM, ConTextTab integrează cu succes semantica din caracteristicile tabelului în predicția tabelară, evidențiind datele cu conținut semantic ridicat, cum ar fi textul liber sau categoriile descriptive.
RELATE: Un codificator de percepție agnostic pentru grafuri relaționale multimodale
Introducem RELETE (Relational Encoder for Latent Aggregation of Typed Entities), un codificator de funcții plug-and-play, agnostic față de schemă, care poate fi utilizat cu orice GNN de uz general.
Seturi de date Open-Source pentru întreprinderi
Prezentăm SALT și SALT-KG, primele seturi de date pentru întreprinderi construite din sisteme ERP reale ale clienților. Acestea combină tabele de business bogate, legate între ele, cu un grafic de cunoștințe curatoriat care captează contextul semantic. Împreună, ele pun bazele dezvoltării unor modele fundamentale care înțeleg cu adevărat datele structurate ale întreprinderilor.
Modelul de Fundație Open Source și pe Hârtie pe Date Tabulare: SAP-RPT-1-OSS
Am publicat lucrarea noastră de cercetare ConTextTab la NeurIPS 2025 (lucrare în centrul atenției) și am furnizat o versiune deschisă a modelului nostru sub denumirea SAP-RPT-1-OSS.
Cine suntem
La SAP Business AI Research, servim drept punte între mediul academic și industrie, dedicați dezvoltării sistemelor de inteligență artificială de generație următoare. Cercetarea noastră abordează complexitățile mediilor de afaceri din lumea reală prin integrarea tehnicilor de inteligență artificială de ultimă generație cu provocările specifice domeniului. Ne concentrăm pe două direcții principale de cercetare pentru a ne asigura că modelele noastre sunt nu doar puternice, ci și practice, fiabile și scalabile.
Domenii de cercetare
Pista A: Structură - Modele de fundație conștiente
Dezvoltăm modele fundamentale care analizează date de afaceri complexe, interconectate - care acoperă tabele, serii temporale și grafice. Prin integrarea conștientizării structurale, a inputurilor multimodale și a raționamentului cauzal, modelele noastre permit utilizarea inteligenței artificiale avansate pentru afaceri, în scopuri de analiză, prognoză și luare a deciziilor.
Învățarea reprezentării tabelare
Învățarea reprezentărilor tabelare ale datelor prin intermediul modelelor native din tabele și bazate pe limbaj, integrând datele de business pentru raționament avansat.
Rețele neuronale grafice
Utilizarea rețelelor neuronale grafice pentru a modela date tabelare relaționale, permițând predicții precise și informații mai aprofundate în inteligența artificială la nivel de întreprindere.
Graficul cunoștințelor de afaceri
Construirea de grafuri de cunoștințe la nivel de întreprindere pentru a permite interogări precise, contextuale, în diverse date de afaceri.
IA agentică
Construirea de agenți auto-îmbunătățitori pentru automatizare fiabilă, orientată spre obiective, în sistemele întreprinderilor.
LLM în Codificare (ABAP)
Îmbunătățirea dezvoltării de software pentru întreprinderi cu modele de bază ABAP specifice domeniului pentru asistență inteligentă la codare.
Pista B: IA de încredere
Cercetările noastre dezvoltă sisteme de inteligență artificială robuste, corecte, transparente și aliniate cu valorile umane - esențiale pentru utilizarea în mediul real al întreprinderilor. Ne concentrăm pe robustețe, explicabilitate, corectitudine, confidențialitate și aliniere la constrângerile specifice domeniului pentru a asigura o implementare fiabilă și responsabilă a inteligenței artificiale.
Confidențialitate diferențială
Dezvoltăm modele eficiente de deep learning care economisesc resurse și protejează confidențialitatea.
Confidențialitatea datelor
Asigurăm confidențialitatea datelor prin protejarea datelor structurate și validarea confidențialității prin audituri și atacuri.
Protecția modelului
Analizarea sentimentelor în text folosind încorporarea neuronală și atenția.
Testarea securității
Îmbunătățirea transparenței modelului prin facilitarea explicării predicțiilor.
Aliniere umană
Extragerea datelor din documente folosind NLP și viziune computerizată.
Cariere
Alătură-te nouă și construiește viitorul inteligenței artificiale în afaceri
Lucrează cu seturi de date bogate pentru a găsi soluții bazate pe învățare automată la probleme din lumea reală, în strânsă colaborare cu rețeaua noastră globală de parteneri de cercetare.
Program de internship de doctorat
Ca stagiar doctorand, vei lucra cu o echipă de cercetători experimentați și oameni de știință aplicați, care vor aborda provocări bazate pe scalarea metodelor de IA în și dincolo de portofoliul larg de software de business SAP. Vei avea șansa de a lucra cu unele dintre cele mai bogate seturi de date disponibile la nivel mondial, abordând probleme care au impact asupra clienților noștri.
Publicații
Transformator relațional: Către modele de fundație Zero-Shot pentru date relaționale
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
PluRel: Datele sintetice dezvăluie legile de scalare pentru modelele de fundație relațională
Vignesh Kothapalli, Rishabh Ranjan, Valter Hudovernik, Vijay Prakash Dwivedi, Johannes Hoffart, Carlos Guestrin, Jure Leskovec, ICML, 2026
Ashutosh Hathidara, Julien Yu, Sebastian Schreiber, Constatări privind ligamentul încrucișat anterior, 2026
SPRINT: Inferență scalabilă, sigură și diferențial privată pentru transformatoare
Francesco Capano, Jonas Böhler, Benjamin Weggenmann, PETS, 2026
Weishi Wang, Hengchang Hu și Daniel Dahlmeier, EACL, 2026
SoK: Îmbunătățirea învățării colaborative criptografice cu confidențialitate diferențială
Francesco Capano, Jonas Böhler, Benjamin Weggenmann, IEEE SatML, 2026
RecPFN: Rețele adaptate anterior pentru recomandări bazate pe context.
En Zhi Tan, Jia Xiang Lim, Bryan Chew, Tze Minh Ng, Benjamin Yap, Long Papers Track, 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, Simpozion de vară, AAAI, 2026
Tao Bai, Zhaochen Li, Hongxin Shao, Daniel Dahlmeier, Industry Track, ACL, 2026
Validare de date pe mai multe niveluri pentru conducte de construcție a grafurilor de cunoștințe
Lars Heling, Isaiah Onando Mulang', Hassan el Hajj, Felix Sasaki, Industry Track, ESWC, 2026
MirrorBench: Un cadru extensibil pentru evaluarea proxy-ului utilizatorului
Ashutosh Hathidara, Julien Yu, Vaishali, Sebastian Schreiber, Anil Babu Ankisettipalli, Dataset & Benchmark Track, KDD, 2026
Evaluare unificată a metodelor de încorporare a tabelelor în mai multe scenarii de benchmark
Ali Younes, Saeed Ghoorchian, Maximilian Schambach, Johannes Höhne, atelier DATA-FM, ICLR, 2026
Model de fundație tabulară pentru modelare generativă
Xiangjian Jiang, Mingxuan Liu, Nikola Simidjievski, Tassilo Klein, Mateja Jamnik, atelier FMSD, ICML, 2026
TableFactory: Generarea de date tabulare legate semantic prin simulare comportamentală multi-agent
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
PLUREL către RDB-PFN: Pre-antrenament relațional sintetic ghidat de schemă
Mohammad Sadeq Abolhasani, Viswanath Ganapathy, atelier FMSD, ICML, 2026
Pre-antrenamentul la scară largă deblochează predicția cu puține imagini pentru datele relaționale
Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos I. Kanatsoulis, Roshan Reddy Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec, atelier FMSD, ICML, 2026
FlexTab: Către o arhitectură flexibilă de codare-decodare pentru învățarea tabelară în context
Marek Polewczyk, Maximilian Schambach, Marco Spinaci, Sam Thelin, Johannes Höhne, atelier FMSD, ICML, 2026
Explorarea diferențelor dintre datele tabulare ale întreprinderii și benchmark-urile publice
Myung Jun Kim, Maximilian Schambach, Frank Essenberger, André Sres, Johannes Höhne, atelier FMSD, ICML, 2026
Günther Schindler, Maximilian Schambach, Johannes Höhne, atelier FMSD, ICML, 2026
Atenție la benchmarking pentru modelele de fundație tabulară
Maximilian Schambach, Clemens Biehl, Sam Thelin, atelier FMSD, ICML, 2026
Memorarea explorativă a învățării în context tabelar
Francesco Capano, Jonas Böhler, atelier FMSD, ICML, 2026
Pre-antrenamentul la scară largă deblochează predicția cu puține imagini pentru datele relaționale
Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos I. Kanatsoulis, Roshan Reddy Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec, atelier GFM, 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
Incentivarea partajării modelului Black-Box cu recompense și câștiguri echitabile
Wenyang Hu, Xinyi Xu, See-Kiong Ng, Bryan Kian Hsiang Low, AAMAS (Rezumat extins), 2026
Isaiah Onando Mulang', Johannes Thaller, Tushar Trivedi, Lars Heling, Felix Sasaki, atelierul GENAIK NORA, IJCAI-ECAI, 2026
Andrew Ivan Soegeng, Muhammad Reza Qorib, Weishi Wang, Daniel Dahlmeier, Hwee Tou Ng, atelier MeLLM, ACL, 2026
Consens interlingvistic: Alinierea cunoștințelor culturale multilingve prin autocoerență multilingvă
Andrew Ivan Soegeng, Patrick Sutanto, Nguyen Tan Sang, atelier MeLLM, ACL, 2026