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
Leider kann hier momentan keine Liste der Projekte angezeigt werden. Bis die Liste wieder verfügbar ist, kann die Projektsuche auf der Dachseite der ZHAW genutzt werden.
Publikationen
-
Zhang, Xiao; Wu, Dongrui; Ding, Lieyun; Luo, Hanbin; Lin, Chin-Teng; Jung, Tzyy-Ping; Chavarriaga, Ricardo,
2020.
National Science Review.
Verfügbar unter: https://doi.org/10.1093/nsr/nwaa233
-
Westermann, Alexander; Krayer, Philipp; Weiler, Andreas,
2020.
AdsISee : advertisement detection and tracking for sponsorship evaluation in soccer matches [Paper].
In:
Proceedings of the DARLI-AP 2020 : Data Analytics Solutions for Real-Life Applications Workshop of the EDBT/ICDT 2020 Joint Conference.
EDBT/ICDT 2020 Joint Conference, Copenhagen, Denmark, 30 March 2020.
-
Affolter, Raffael; Weiler, Andreas,
2020.
FacetX : dynamic facet generation for advanced information filtering of search results [Paper].
In:
Proceedings of the SEA Data 2020 : Search, Exploration, and Analysis in Heterogeneous Datastores Workshop of the EDBT/ICDT 2020 Joint Conference.
EDBT/ICDT 2020 Joint Conference, Copenhagen, Denmark, 30 March 2020.
-
Cieliebak, Mark; Keck Frei, Andrea,
2020.
Flipped Classroom in der Hochschullehre einsetzen
.
In:
Bachmann, Heinz, Hrsg.,
Hochschullehre variantenreich gestalten : Kompetenzorientierte Hochschullehre – Ansätze, Methoden und Beispiele.
Bern:
hep.
Forum Hochschuldidaktik und Erwachsenenbildung ; 4.
-
Aghaebrahimian, Ahmad; Cieliebak, Mark,
2020.
Named entity disambiguation at scale [Paper].
In:
Schilling, Frank-Peter; Stadelmann, Thilo, Hrsg.,
Artificial Neural Networks in Pattern Recognition.
9th IAPR TC 3 Workshop on Artificial Neural Networks for Pattern Recognition (ANNPR'20), Winterthur, Switzerland, 2-4 September 2020.
Cham:
Springer.
S. 102-110.
Lecture Notes in Computer Science ; 12294.
Verfügbar unter: https://doi.org/10.1007/978-3-030-58309-5_8