Business AI – Forschung
Ausgewählte Forschungsarbeiten
ConTextTab: A Semantics-Aware Tabular In-Context Learner
Durch die Nutzung von LLM-Einbettungen integriert ConTextTab erfolgreich Semantiken aus Tabellenfunktionen in tabellarische Prognosen und glänzt bei Daten mit hohem semantischem Gehalt wie Freitext oder beschreibenden Kategorien.
RELATE: A Schema-Agnostic Perceiver Encoder for Multimodal Relational Graphs
Wir führen RELATE (Relational Encoder for Latent Aggregation of Typed Entities) ein – einen schemaunabhängigen Plug-and-Play-Feature-Encoder, der mit jedem universellen GNN verwendet werden kann.
Foundation Models for Tabular Data within Systemic Contexts Need Grounding
Wir schlagen FMSLT (Foundation Models for Semantically Linked Tables) vor, um das Verständnis strukturierter Unternehmensdaten zu verbessern. Unternehmenstabellen sind durch operative Logik und semantische Beziehungen miteinander verbunden, die definieren, wie Unternehmen arbeiten. Das Erkennen und Modellieren dieser Zusammenhänge ist unerlässlich, um den wahren Charakter von Unternehmensdaten zu erfassen.
Open-Source Enterprise Datasets
Wir stellen SALT und SALT-KG vor, die ersten Enterprise Datasets, die aus echten ERP-Systemen von Kunden erstellt wurden. Sie kombinieren umfangreiche verknüpfte Unternehmenstabellen mit einem kuratierten Wissensdiagramm, das semantischen Kontext erfasst. Gemeinsam legen sie die Grundlage für die Weiterentwicklung von Grundlagenmodellen, die strukturierte Unternehmensdaten wirklich verstehen.
Über uns
Bei SAP Business AI Research fungieren wir als Brücke zwischen Wissenschaft und Industrie und widmen uns der Weiterentwicklung von KI-Systemen der nächsten Generation. Unsere Studie befasst sich mit der Komplexität realer Unternehmensumgebungen durch die Integration modernster KI-Techniken für domänenspezifische Herausforderungen. Wir konzentrieren uns auf zwei Hauptforschungsbereiche, um sicherzustellen, dass unsere Modelle nicht nur leistungsstark, sondern auch praktisch, vertrauenswürdig und skalierbar sind.
Forschungsgebiete
Bereich A: Struktur - Aware-Foundation-Modelle
Wir entwickeln Grundlagenmodelle, die komplexe, miteinander verknüpfte Unternehmensdaten aus Tabellen, Zeitreihen und Grafiken verarbeiten. Durch die Integration von Strukturbewusstsein, multimodalen Eingaben und kausaler Argumentation ermöglichen unsere Modelle fortschrittliche Business AI für Analysen, Prognosen und Entscheidungen.
Erlernen tabellarischer Darstellungen
Erlernen tabellarischer Datendarstellungen über tabellennative und sprachbasierte Modelle zur Integration von Geschäftsdaten für anspruchsvolle Schlussfolgerungen.
Grafische neuronale Netze
Verwendung von grafischen neuronalen Netzen zur Modellierung relationaler tabellarischer Daten, die genaue Prognosen und tiefere Einblicke in Unternehmens-KI ermöglichen.
Business Knowledge Graph
Erstellen von Wissensgraphen, um präzise, kontextbezogene Abfragen für unterschiedlichste Geschäftsdaten zu ermöglichen.
Agentic AI
Aufbau selbstoptimierender Agenten für eine zuverlässige, zielgerichtete Automatisierung in Unternehmenssystemen.
LLM für die Programmierung (ABAP)
Unterstützung der Unternehmenssoftwareentwicklung mit domänenspezifischen ABAP-Basismodellen für intelligente Programmierungsunterstützung.
Bereich B: Vertrauenswürdige KI
Unsere Forschung entwickelt KI-Systeme, die robust, fair, transparent und an menschlichen Werten orientiert sind – unerlässlich für die praktische Nutzung in Unternehmen. Wir konzentrieren uns auf Robustheit, Erklärbarkeit, Fairness, Datenschutz und Beachtung mit domänenspezifischen Einschränkungen, um einen zuverlässigen und verantwortungsvollen KI-Einsatz zu ermöglichen.
Differenzierter Datenschutz
Wir entwickeln effiziente Deep-Learning-Modelle, die Ressourcen sparen und die Privatsphäre schützen.
Datenvertraulichkeit
Wir stellen die Vertraulichkeit von Daten sicher, indem wir strukturierte Daten schützen und den Schutz der Privatsphäre durch Audits und Angriffstests validieren.
Modellschutz
Analyse von Stimmungen im Text mit neuronaler Einbettung und Attention-Mechanismus.
Sicherheitstests
Die Modelltransparenz wird verbessert, indem Vorhersagen erklärbar gemacht werden.
Human Alignment
Extrahieren von Daten aus Dokumenten mithilfe von NLP und Computer Vision.
Jobs & Karriere
Machen Sie mit und gestalten Sie mit uns die Zukunft von Business AI
Arbeiten Sie mit umfangreichen Datensets, um Lösungen zu finden, die auf maschinellem Lernen basieren, um Probleme in der Praxis in enger Zusammenarbeit mit unserem globalen Netzwerk von Forschungspartnern zu lösen.