Business AI Research
Öne çıkan araştırmalar
Sistemik Bağlamlardaki Tablo Verilerine Yönelik Temel Modeller Temellendirme Gerektirir
Yapılandırılmış işletme verilerinin anlaşılmasını geliştirmek için Semantik Olarak Bağlantılı Tablolar için Temel Modeller (FMSLT) öneriyoruz. Kurumsal tablolar, işletmelerin nasıl faaliyet gösterdiğini tanımlayan operasyonel mantık ve semantik ilişkiler aracılığıyla birbirine bağlıdır. Bu bağlantıları tanımak ve modellemek, kurumsal verilerin gerçek doğasını yakalamak için esastır.
ConTextTab: Anlamsal Farkındalığa Sahip Tablo İçi Bağlam Öğrenicisi. NeurIPS 2025 (Öne Çıkanlar)
ConTextTab, LLM yerleştirmelerinden yararlanarak tablo özelliklerindeki semantiği tablosal tahmine başarıyla entegre eder ve serbest metin ya da açıklayıcı kategoriler gibi yüksek semantik içeriğe sahip verilerde öne çıkar.
RELATE: Çok Modlu İlişkisel Graflar için Şemadan Bağımsız Bir Perceiver Kodlayıcı
Herhangi bir genel amaçlı GNN ile kullanılabilen, şemadan bağımsız, tak-çalıştır bir öznitelik kodlayıcı olan RELATE'i (Relational Encoder for Latent Aggregation of Typed Entities) sunuyoruz.
Açık Kaynaklı Kurumsal Veri Kümeleri
Gerçek müşteri ERP sistemlerinden oluşturulan ilk kurumsal veri kümeleri olan SALT ve SALT-KG'yi sunuyoruz. Zengin ve bağlantılı işletme tablolarını, semantik bağlamı yakalayan özenle hazırlanmış bir bilgi grafiğiyle bir araya getirirler. Birlikte, yapılandırılmış kurumsal verileri gerçekten anlayan temel modellerin geliştirilmesinin temelini oluştururlar.
Tablo Verilerine Yönelik Makale ve Açık Kaynak Temel Model: SAP-RPT-1-OSS
ConTextTab araştırma makalemizi NeurIPS 2025'te (spotlight makale) yayımladık ve modelimizin açık ağırlıklı bir sürümünü SAP-RPT-1-OSS olarak sunduk.
Biz kimiz
SAP Business AI Research bünyesinde, kendimizi yeni nesil yapay zeka sistemlerini geliştirmeye adayarak akademi ile sanayi arasında bir köprü görevi görüyoruz. Araştırmalarımız, en son yapay zeka tekniklerini alana özgü zorluklarla entegre ederek gerçek dünyadaki işletme ortamlarının karmaşıklıklarını ele almaktadır. Modellerimizin yalnızca güçlü değil, aynı zamanda pratik, güvenilir ve ölçeklenebilir olmasını sağlamak için iki ana araştırma kulvarına odaklanıyoruz.
Araştırma alanları
Track A: Yapı Duyarlı Temel Modeller
Tabloları, zaman serilerini ve grafikleri kapsayan karmaşık, bağlantılı işletme verileri üzerinde akıl yürüten temel modeller geliştiriyoruz. Yapısal farkındalığı, çok modlu girdileri ve nedensel akıl yürütmeyi entegre eden modellerimiz; analiz, tahmin ve karar alma süreçleri için gelişmiş Kurumsal Yapay Zeka sağlar.
Tablo gösterim öğrenimi
Tabloya yerel ve dil tabanlı modeller aracılığıyla tablo verisi temsillerini öğrenme, gelişmiş akıl yürütme için işletme verilerini entegre etme.
Grafik sinir ağları
İlişkisel tablo verilerini modellemek için Grafik Sinir Ağlarını kullanarak kurumsal yapay zekada doğru tahminler ve daha derin içgörüler sağlama.
İşletme bilgi grafiği
Çeşitli iş verileri genelinde hassas, bağlama duyarlı sorgular yapılmasını sağlamak için kurumsal bilgi grafikleri oluşturma.
Aracılı yapay zeka
İşletme sistemlerinde güvenilir, hedef odaklı otomasyon için kendi kendini geliştiren aracılar oluşturma.
Kodlama LLM'i (ABAP)
Akıllı kodlama desteği için etki alanına özgü ABAP temel modelleriyle kurumsal yazılım geliştirmeyi güçlendirme.
Track B: Güvenilir Yapay Zeka
Araştırmalarımız; gerçek dünyadaki kurumsal kullanım için vazgeçilmez olan sağlam, adil, şeffaf ve insan değerleriyle uyumlu yapay zeka sistemleri geliştirmektedir. Güvenilir ve sorumlu yapay zeka dağıtımı sağlamak için sağlamlık, açıklanabilirlik, adillik, gizlilik ve alana özgü kısıtlamalarla uyuma odaklanıyoruz.
Diferansiyel gizlilik
Kaynak tasarrufu sağlayan ve gizliliği koruyan verimli derin öğrenme modelleri geliştiriyoruz.
Veri gizliliği
Yapılandırılmış verileri koruyarak ve denetimler ile saldırılar yoluyla gizliliği doğrulayarak veri gizliliğini sağlıyoruz.
Model koruması
Nöral gömme ve dikkat kullanarak metindeki duyguları analiz etme.
Güvenlik testi
Tahminleri açıklanabilir hale getirerek model şeffaflığını artırma.
İnsan Uyumu
NLP ve bilgisayarlı görü kullanarak belgelerden veri çıkarma.
Kariyer
Bize katılın ve Kurumsal Yapay Zekanın geleceğini inşa edin
Küresel araştırma ortakları ağımızla yakın iş birliği içinde gerçek dünya sorunlarına makine öğrenimi tabanlı çözümler bulmak için zengin veri kümeleriyle çalışın.
Doktora Staj Programı
Doktora Stajyeri olarak, SAP'nin geniş işletme yazılımları portföyü genelinde ve ötesinde yapay zeka yöntemlerini ölçeklendirmenin getirdiği zorlukları ele alan deneyimli araştırmacılar ve uygulamalı bilim insanlarından oluşan bir ekiple çalışacaksınız. Müşterilerimiz üzerinde etki yaratan sorunları ele alırken dünyadaki en zengin veri kümelerinden bazılarıyla çalışma fırsatına sahip olacaksınız.
Açık Araştırma Pozisyonları
(Kıdemli) Veri Mühendisi (f/m/d): RDF Bilgi Grafikleri üzerinde SAP Verileri (DE)
(Kıdemli) Araştırmacı (f/m/d) - Bilgi Grafikleri ve Üretken Yapay Zeka (DE)
Lider Araştırma Mühendisi (f/m/d) - Yapılandırılmış Veriler Üzerinde Temel ve Dünya Modelleri (DE)
Baş Araştırmacı (f/m/d) - Yapılandırılmış İşletme Verilerinde Temel ve Dünya Modelleri (DE)
Yayınlar
Relational Transformer: İlişkisel Veriler için Sıfır Örnekli Temel Modellere Doğru
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: Sentetik Veri, İlişkisel Temel Modeller İçin Ölçekleme Yasalarını Açığa Çıkarıyor
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: Transformer'lar için Ölçeklenebilir Güvenli ve Diferansiyel Gizliliğe Sahip Çıkarım
Francesco Capano, Jonas Böhler, Benjamin Weggenmann, PETS, 2026
Weishi Wang, Hengchang Hu ve Daniel Dahlmeier, EACL, 2026
SoK: Diferansiyel Gizlilik ile Kriptografik İş Birlikli Öğrenmeyi Geliştirme
Francesco Capano, Jonas Böhler, Benjamin Weggenmann, IEEE SatML, 2026
RecPFN: Bağlam İçi Tabanlı Öneriler için Önceden Uyarlanmış Ağlar.
En Zhi Tan, Jia Xiang Lim, Bryan Chew, Tze Minh Ng, Benjamin Yap, Uzun Bildiriler Alanı, SIGIR, 2026
Jiyuan Shen, Peiyue Yuan, Atin Ghosh, Yifan Mai, Daniel Dahlmeier, Sektör Oturumu, 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
Bilgi Grafiği Oluşturma İşlem Hatları için Çok Düzeyli Veri Doğrulama
Lars Heling, Isaiah Onando Mulang', Hassan el Hajj, Felix Sasaki, Endüstri Alanı, ESWC, 2026
MirrorBench: Kullanıcı Temsilcisini Değerlendirmek için Genişletilebilir Bir Çerçeve
Ashutosh Hathidara, Julien Yu, Vaishali, Sebastian Schreiber, Anil Babu Ankisettipalli, Dataset & Benchmark Track, KDD, 2026
Birden Fazla Karşılaştırma Senaryosunda Tablo Gömme Yöntemlerinin Birleşik Değerlendirmesi
Ali Younes, Saeed Ghoorchian, Maximilian Schambach, Johannes Höhne, DATA-FM çalıştayı, ICLR, 2026
Üretken Modelleme için Tablo Verilerine Yönelik Temel Model
Xiangjian Jiang, Mingxuan Liu, Nikola Simidjievski, Tassilo Klein, Mateja Jamnik, FMSD çalıştayı, ICML, 2026
Mingxuan Liu, Xiangjian Jiang, Johannes Hoffart, Tassilo Klein, FMSD çalıştayı, ICML, 2026
Tassilo Klein, Johannes Hoffart, FMSD çalıştayı, ICML, 2026
Dinesh Katupputhur Ramprasath, Tom Palczewski, Joe Meyer, Roshan Reddy Upendra, Minghua Li, FMSD çalıştayı, ICML, 2026
PLUREL'den RDB-PFN'ye: Şema Kılavuzlu Sentetik İlişkisel Ön Eğitim
Mohammad Sadeq Abolhasani, Viswanath Ganapathy, FMSD çalıştayı, ICML, 2026
Büyük Ölçekli Ön Eğitim, İlişkisel Veriler için Az Örnekli Tahminin Önünü Açıyor
Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos I. Kanatsoulis, Roshan Reddy Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec, FMSD çalıştayı, ICML, 2026
FlexTab: Tablo Verilerinde Bağlam İçi Öğrenme için Esnek Bir Kodlayıcı-Kod Çözücü Mimarisine Doğru
Marek Polewczyk, Maximilian Schambach, Marco Spinaci, Sam Thelin, Johannes Höhne, FMSD çalıştayı, ICML, 2026
Myung Jun Kim, Maximilian Schambach, Frank Essenberger, André Sres, Johannes Höhne, FMSD workshop, ICML, 2026
Tablo Verisi Öğrenicilerini Bağlama Duyarlı Anlamsal Gömülerle Geliştirme
Günther Schindler, Maximilian Schambach, Johannes Höhne, FMSD çalıştayı, ICML, 2026
Tablo Verilerine Yönelik Temel Modeller için Dikkat Kıyaslaması
Maximilian Schambach, Clemens Biehl, Sam Thelin, FMSD çalıştayı, ICML, 2026
Tablo Verilerine Yönelik Bağlam İçi Öğrenmede Ezberlemeyi Derinlemesine İnceleme
Francesco Capano, Jonas Böhler, FMSD çalıştayı, ICML, 2026
Büyük Ölçekli Ön Eğitim, İlişkisel Veriler için Az Örnekli Tahminin Önünü Açıyor
Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos I. Kanatsoulis, Roshan Reddy Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec, GFM çalıştayı, ICML, 2026
Dinesh Katupputhur Ramprasath, Tom Palczewski, Joe Meyer, Roshan Reddy Upendra, Minghua Li, GFM çalıştayı, ICML, 2026
Wenyang Hu, Yao Shu, See-Kiong Ng, Bryan Kian Hsiang Low, AdaptFM çalıştayı, ICML, 2026
Adil Ödüller ve Kazançlarla Kara Kutu Modeli Paylaşımını Teşvik Etme
Wenyang Hu, Xinyi Xu, See-Kiong Ng, Bryan Kian Hsiang Low, AAMAS (Genişletilmiş Özet), 2026
Aşırı Araç Yükü Altında Yapıya Duyarlı Araç Keşfi için Aracılı Araçların Bilgi Graflarında Temsili
Isaiah Onando Mulang', Johannes Thaller, Tushar Trivedi, Lars Heling, Felix Sasaki, GENAIK NORA çalıştayı, IJCAI-ECAI, 2026
Diller Arası Gömme Hizalaması Yoluyla Parametre Açısından Verimli Kelime Dağarcığı Genişletme
Andrew Ivan Soegeng, Muhammad Reza Qorib, Weishi Wang, Daniel Dahlmeier, Hwee Tou Ng, MeLLM çalıştayı, ACL, 2026
Andrew Ivan Soegeng, Patrick Sutanto, Nguyen Tan Sang, MeLLM çalıştayı, ACL, 2026