Intelligent Information Systems
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 13
- Seite 14
- Seite 15
- Seite 16
- Seite 17
- …
- Seite 19
- Nächste Seite
-
Roche Business Analytics
In this project we design and implement a prototype for solving a highly challenging business analytics use case at Roche. The prototype is based on state-of-the-art technology in the areas of advanced data management, information retrieval and machine learning.
-
Urban Water Research Data Warehouse
In this project we develop a data warehouse for management of environmental sensor data. The idea is to integrate different data sets from various sensor data by leveraging modern data warehousing technology. The data management approach will open up new avenues for novel urban water research. ...
-
Market Monitoring
The goal of this project is to develop an innovative market monitoring application for an e-commerce platform. The project is done in collaboration with an industry partner. Unlike traditional e-commerce applications where users need to log into the system and thus leave traces when they search for specific products ...
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