Business AI Research
Utvald forskning
Grundmodeller för tabulära data i systemiska kontexter behöver förankring
Vi föreslår grundmodeller för semantiskt länkade tabeller (FMSLT) för att förbättra förståelsen av strukturerade företagsdata. Företagstabeller är sammankopplade genom verksamhetslogik och semantiska relationer som definierar hur företag fungerar. Att identifiera och modellera dessa kopplingar är avgörande för att fånga företagsdatas verkliga natur.
ConTextTab: en semantikmedveten tabellbaserad in-context-inlärare. NeurIPS 2025 (Spotlight)
Genom att utnyttja LLM-inbäddningar integrerar ConTextTab framgångsrikt semantik från tabellegenskaper i tabulär prediktion och utmärker sig på data med högt semantiskt innehåll, såsom fritext eller beskrivande kategorier.
RELATE: en schemagnostisk Perceiver-kodare för multimodala relationsgrafer
Vi introducerar RELATE (Relational Encoder for Latent Aggregation of Typed Entities), en schemaagnostisk plug-and-play-funktionskodare som kan användas med alla GNN:er för allmänt bruk.
Open source-företagsdataset
Vi presenterar SALT och SALT-KG, de första företagsdataseten som har byggts utifrån verkliga kunders ERP-system. De kombinerar innehållsrika, länkade affärstabeller med en kurerad kunskapsgraf som fångar den semantiska kontexten. Tillsammans lägger de grunden för att utveckla grundmodeller som verkligen förstår strukturerade företagsdata.
Artikel och öppen källkodsbaserad grundmodell för tabelldata: SAP-RPT-1-OSS
Vi har publicerat vår ConTextTab-forskningsrapport på NeurIPS 2025 (spotlight-rapport) och tillhandahållit en version med öppna vikter av vår modell som SAP-RPT-1-OSS.
Om oss
På SAP Business AI Research fungerar vi som en bro mellan akademi och industri och arbetar dedikerat med att utveckla nästa generations AI-system. Vår forskning tar itu med komplexiteten i verkliga företagsmiljöer genom att integrera banbrytande AI-teknik med domänspecifika utmaningar. Vi fokuserar på två huvudsakliga forskningsspår för att säkerställa att våra modeller inte bara är kraftfulla, utan även praktiska, tillförlitliga och skalbara.
Forskningsområden
Spår A: strukturmedvetna basmodeller
Vi utvecklar grundmodeller som kan resonera utifrån komplexa, sammanlänkade affärsdata – i tabeller, tidsserier och grafer. Genom att integrera strukturell förståelse, multimodala indata och kausalt resonemang möjliggör våra modeller avancerad affärs-AI för analys, prognoser och beslutsfattande.
Representationsinlärning för tabeller
Inlärning av representationer av tabulära data med hjälp av tabellbaserade och språkbaserade modeller, med integrering av affärsdata för avancerat resonemang.
Grafneuronnät
Använder grafneurala nätverk för att modellera relationella tabulära data, vilket möjliggör korrekta prediktioner och djupare insikter inom företags-AI.
Affärskunskapsgraf
Bygg kunskapsgrafer för företag för att möjliggöra precisa, kontextmedvetna frågor i varierande affärsdata.
Agentisk AI
Bygger självförbättrande agenter för tillförlitlig, målstyrd automatisering i verksamhetssystem.
Kodnings-LLM (ABAP)
Stärker utvecklingen av affärsprogramvara med domänspecifika ABAP Foundation Models för intelligent kodningsassistans.
Spår B: tillförlitlig AI
Vår forskning utvecklar AI-system som är robusta, rättvisa, transparenta och i linje med mänskliga värderingar – vilket är avgörande för verklig användning i företag. Vi fokuserar på robusthet, förklarbarhet, rättvisa, integritet och anpassning till domänspecifika begränsningar för att säkerställa tillförlitlig och ansvarsfull AI-driftsättning.
Differentiell integritet
Vi utvecklar effektiva djupinlärningsmodeller som sparar resurser och skyddar integriteten.
Datakonfidentialitet
Vi säkerställer datakonfidentialitet genom att skydda strukturerad data och validera integritet genom revisioner och attacker.
Modellskydd
Analysera sentiment i text med hjälp av neural inbäddning och attention.
Säkerhetstestning
Förbättra modellens transparens genom att göra prediktioner förklarbara.
Personalanpassning
Extraherar data från dokument med hjälp av NLP och datorseende.
Karriär
Gör oss sällskap och bygg framtidens Business AI
Arbeta med rika datamängder för att hitta maskininlärningsbaserade lösningar på verkliga problem i nära samverkan med vårt globala nätverk av forskningspartner.
Praktikprogram för doktorander
Som doktorandpraktikant kommer du att arbeta med ett team av erfarna forskare och tillämpade forskare som tar sig an utmaningar kopplade till skalning av AI-metoder inom och bortom SAP:s breda portfölj av affärsprogramvara. Du kommer att få chansen att arbeta med några av världens rikaste dataset och ta itu med problem som har inverkan på våra kunder.
Lediga forskartjänster
(Senior) Data Engineer (f/m/d): SAP-data på RDF Knowledge Graphs (DE)
(Senior) forskare (f/m/d) – kunskapsgrafer och generativ AI (DE)
Ledande forskningsingenjör (f/m/d) – grund- och världsmodeller för strukturerade data (DE)
Huvudforskare (f/m/d) – grundmodeller och världsmodeller för strukturerade affärsdata (DE)
(Senior) Researcher (f/m/d) – grund- och världsmodeller för strukturerade affärsdata (DE)
Publikationer
Relational Transformer: mot zero-shot-grundmodeller för relationsdata
Rishabh Ranjan, Valter Hudovernik, Mark Znidar, Charilaos Kanatsoulis, Roshan Upendra, Mahmoud Mohammadi, Joe Meyer, Tom Palczewski, Carlos Guestrin, Jure Leskovec, ICLR, 2026
Tala, utvärdera, diagnostisera: användarmedveten agentutvärdering med automatiserad felanalys
Penny Chong, Harshavardhan Abichandani, Jiyuan SHEN, Atin Ghosh, Min Pyae Moe, Yifan Mai, Daniel Dahlmeier, ICLR, 2026
PluRel: Syntetiska data låser upp skalningslagar för relationella Foundation Models
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: Scalable Secure & Differentially Private Inference for Transformers
Francesco Capano, Jonas Böhler, Benjamin Weggenmann, PETS, 2026
Weishi Wang, Hengchang Hu och Daniel Dahlmeier, EACL, 2026
SoK: förbättra kryptografisk samverkande inlärning med differentiell integritet
Francesco Capano, Jonas Böhler, Benjamin Weggenmann, IEEE SatML, 2026
RecPFN: Prior-fitted networks för in-context-baserade rekommendationer.
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, Summer Symposium, AAAI, 2026
Tao Bai, Zhaochen Li, Hongxin Shao, Daniel Dahlmeier, Industry Track, ACL, 2026
Datavalidering på flera nivåer för pipelines för konstruktion av kunskapsgrafer
Lars Heling, Isaiah Onando Mulang', Hassan el Hajj, Felix Sasaki, Industry Track, ESWC, 2026
MirrorBench: ett utbyggbart ramverk för att utvärdera användarproxy
Ashutosh Hathidara, Julien Yu, Vaishali, Sebastian Schreiber, Anil Babu Ankisettipalli, Dataset & Benchmark Track, KDD, 2026
Enhetlig utvärdering av tabellinbäddningsmetoder i flera benchmarkscenarier
Ali Younes, Saeed Ghoorchian, Maximilian Schambach, Johannes Höhne, DATA-FM workshop, ICLR, 2026
Tabulär grundmodell för generativ modellering
Xiangjian Jiang, Mingxuan Liu, Nikola Simidjievski, Tassilo Klein, Mateja Jamnik, FMSD workshop, ICML, 2026
Mingxuan Liu, Xiangjian Jiang, Johannes Hoffart, Tassilo Klein, FMSD workshop, ICML, 2026
Statistiskt oskiljbara, operativt distinkta: en formell begränsning för tabulära grundmodeller
Tassilo Klein, Johannes Hoffart, FMSD workshop, ICML, 2026
Dinesh Katupputhur Ramprasath, Tom Palczewski, Joe Meyer, Roshan Reddy Upendra, Minghua Li, FMSD workshop, ICML, 2026
PLUREL till RDB-PFN: schemastyrd syntetisk relationell förträning
Mohammad Sadeq Abolhasani, Viswanath Ganapathy, FMSD workshop, ICML, 2026
Storskalig förträning möjliggör fåexempelsförutsägelse för relationsdata
Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos I. Kanatsoulis, Roshan Reddy Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec, FMSD workshop, ICML, 2026
FlexTab: mot en flexibel kodar-avkodararkitektur för tabulär in-context-inlärning
Marek Polewczyk, Maximilian Schambach, Marco Spinaci, Sam Thelin, Johannes Höhne, FMSD workshop, ICML, 2026
Utforska skillnaderna mellan tabulära företagsdata och publika benchmarks
Myung Jun Kim, Maximilian Schambach, Frank Essenberger, André Sres, Johannes Höhne, FMSD workshop, ICML, 2026
Förbättra tabellära inlärare med kontextmedvetna semantiska inbäddningar
Günther Schindler, Maximilian Schambach, Johannes Höhne, FMSD workshop, ICML, 2026
Benchmarking av attention för tabulära foundation models
Maximilian Schambach, Clemens Biehl, Sam Thelin, FMSD-workshop, ICML, 2026
Undersökning av memorering vid tabulär kontextbaserad inlärning
Francesco Capano, Jonas Böhler, FMSD-workshop, ICML, 2026
Storskalig förträning möjliggör fåexempelsförutsägelse för relationsdata
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, GFM workshop, ICML, 2026
Wenyang Hu, Yao Shu, See-Kiong Ng, Bryan Kian Hsiang Low, AdaptFM workshop, ICML, 2026
Skapa incitament för delning av black box-modeller med rättvisa belöningar och utbetalningar
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, GENAIK NORA workshop, IJCAI-ECAI, 2026
Parametereffektiv vokabulärexpansion via korsspråklig inbäddningsjustering
Andrew Ivan Soegeng, Muhammad Reza Qorib, Weishi Wang, Daniel Dahlmeier, Hwee Tou Ng, MeLLM workshop, ACL, 2026
Andrew Ivan Soegeng, Patrick Sutanto, Nguyen Tan Sang, MeLLM workshop, ACL, 2026