Intelligent Information Systems
![](/storage/_processed_/5/4/csm_IIS_900x150_6b047e2491.webp)
We Derive Value from Data and Information
- Wie macht man Information nutzbar?
- Wie findet man neue Themen und Trends?
- Wie gewinnt man aus heterogenen/unstrukturierten Daten und Informationen Erkenntnisse?
- Wie macht man Daten auf eine natürliche Art verfügbar?
- Wie kann man mit Software Daten automatisiert verknüpfen?
Mit diesen und vielen weiteren Fragen beschäftigt sich die Forschungsgruppe Intelligent Information Systems (IIS) des InIT. Die oft negativ thematisierte Daten- und Informationsflut begreifen wir als Chance; mit den richtigen Mitteln können zur Such- und Analysezeit Daten und Informationen integriert und nutzbar gemacht werden.
Die Forschungsgruppe gibt die aus der angewandten Forschung und Entwicklung gewonnen Erkenntnisse an die Studierenden der Informatikstudiengänge in Modulen wie "Information Engineering 1 (Information Retrieval)", "Information Engineering 2 (Data Warehousing & Big Data)" und "Datenbanken" weiter. Die Forschungsgruppe engagiert sich auch international im Rahmen von Forschungsprojekten der EU-Rahmenprogramme. Mit unseren Kompetenzen tragen wir zum interdisziplinären Forschungsfeld "Data Science" bei.
Forschungsthemen
Die Forschungsgruppe Intelligent Information Systems erarbeitet Lösungen für eine sich wandelnde, datengetriebene Welt. Sie betreibt Forschung an der Schnittstelle zwischen Datenbanken (DB), Information Retrieval (IR), Data Engineering (DE), Natural Language Processing (NLP) und Machine Learning (ML).
Die Forschungsgruppe bedient zwei hauptsächliche Forschungslinien:
Big Data und Nano Data
Wir lösen herausfordernde Probleme auf Datenbeständen im Bereich von sehr klein (Nano Data) bis zu sehr gross (Big Data), wobei sich die Natur der Probleme beim Wechsel der Grössenordnungen drastisch ändert.
Aktuelle Forschung:
- Information Retrieval für Nano und Small Data
- Machine Learning für Queryoptimierung
- Künstliche Intelligenz für Datenintegration und -bereinigung
- Quntumdatenbanken und Quantum Machine Learning
Data Understanding
Auf dem Weg zu «intelligenten» Lösungen zu datengetriebenen Problemen müssen klassische Informationssysteme Daten auf einer neuen Ebene verarbeiten, und mithin interpretieren, um Information zu gewinnen. Sowohl strukturierte wie auch unstrukturierte Daten müssen nicht nur auf einer mechanisch, sondern vielmehr auf einer semantischen Ebene verarbeitet werden – zum Beispiel mittels Methoden des Natural Language Processings/Understandings. Ziel ist die Verknüpfung der Daten in Graphenstrukturen, oder ihre Bereitstellung mittels semantischer Suche.
Aktuelle Forschung:
- Natural Language Interfaces für Datenbanken
- Semantische Suche auf Entitäten
- Knowledge Graph Construction
- Question Answering auf Knowledge-Graphen
- Stream Analytics und Event Detection
- Information Retrieval Evaluation
Projekte
- Vorherige Seite
- Seite 01
- …
- Seite 10
- Seite 11
- Seite 12
- Seite 13
- Seite 14
- …
- Seite 19
- Nächste Seite
-
DeepText: Intelligente Textanalyse mit Deep Learning
DeepText entwickelt ein Software-Framework, mit dem automatisch Texte analysiert werden können, um wichtige Informationen zu extrahieren. Das Framework basiert auf modernen Algorithmen aus dem Maschinellen Lernen (Deep Learning), die Texte besser analysieren können als traditionelle Methoden. Damit kann man z.B. die ...
-
DeLLA: Deep-Learning-basierter Spracherkenner mit beschränkten Trainingsdaten
Spracherkennung basierend auf Deep Neural Networks (DNNs) bricht aktuell alle Rekorde und hat bereits Eingang in verschiedene Produkte gefunden. Solche Systeme wurden mit tausenden Stunden Sprachmaterial trainiert für Anwendungen/Sprachen, wo entsprechend riesige annotierte Datenmengen verfügbar sind. In dieser ...
-
DeepScore: Digitales Notenpult mit musikalischem Verständnis durch Active Sheet Technologie
Das Produkt ScorePad ist ein digitales Notenpult für Tablets professioneller Musiker. Es macht gedruckte Noten überflüssig und bietet wesentliche Vereinfachungen im Notenhandling sowie neue Kollaborationsfunktionen für Ensembles. Ermöglicht wird dies durch die im DeepScore Projekt zu entwickelnde „Active Sheet“ ...
Publikationen
-
Kittelmann, Florian; Sulimov, Pavel; Stockinger, Kurt,
2024.
QardEst : using quantum machine learning for cardinality estimation of join queries [Paper].
In:
1st Workshop on Quantum Computing and Quantum-Inspired Technology for Data-Intensive Systems and Applications (Q-Data), ACM SIGMOD/PODS 2024, Santiago, Chile, 9 June 2024.
ZHAW Zürcher Hochschule für Angewandte Wissenschaften.
Verfügbar unter: https://doi.org/10.21256/zhaw-30917
-
Schmitt-Koopmann, Felix; Huang, Elaine M.; Hutter, Hans-Peter; Stadelmann, Thilo; Darvishy, Alireza,
2024.
MathNet : a data-centric approach for printed mathematical expression recognition.
IEEE Access.
12, S. 76963-76974.
Verfügbar unter: https://doi.org/10.1109/ACCESS.2024.3404834
-
Gerber, Jonathan; Saxer, Jasmin S.; B. Kreiner, Bruno; Weiler, Andreas,
2024.
DIGILOG : towards a monitoring platform for digital transformation of European communities.
In:
Joint Proceedings of RCIS 2024 Workshops and Research Projects Track.
18th International Conference on Research Challenges in Information Science (RCIS), Guimarães, Portugal, 14-17 May 2024.
RWTH Aachen University.
Verfügbar unter: https://doi.org/10.21256/zhaw-30792
-
Chen, Yaxuan; Vergara, Ana Fernandez; Hamilton, Angus; Stockinger, Kurt,
2024.
Digital public infrastructure for environmental sustainability.
United Nations Environment Programme.
ISBN 978-92-807-4157-5.
Verfügbar unter: https://doi.org/10.21256/zhaw-30874
-
Appel, Jan; Weiler, Andreas,
2024.
XCrowd : a realistic crowd simulation tool for efficient movement management.
In:
Proceedings of the Workshops of the EDBT/ICDT 2024 Joint Conference co-located with the EDBT/ICDT 2024 Joint Conference.
6th International Workshop on Big Mobility Data Analytics (BMDA) during EDBT/ICDT Joint Conference, Paestum, Italy, 25 March - 28 March 2024.
Aachen:
RWTH Aachen University.
Verfügbar unter: https://doi.org/10.21256/zhaw-30720