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
-
Stadelmann, Thilo; Braschler, Martin; Stockinger, Kurt,
2019.
Introduction to applied data science
.
In:
Braschler, Martin; Stadelmann, Thilo; Stockinger, Kurt, Hrsg.,
Applied data science : lessons learned for the data-driven business.
Cham:
Springer.
S. 3-16.
Verfügbar unter: https://doi.org/10.1007/978-3-030-11821-1_1
-
Stockinger, Kurt; Braschler, Martin; Stadelmann, Thilo,
2019.
Lessons learned from challenging data science case studies
.
In:
Braschler, Martin; Stadelmann, Thilo; Stockinger, Kurt, Hrsg.,
Applied data science : lessons learned for the data-driven business.
Cham:
Springer.
S. 447-465.
Verfügbar unter: https://doi.org/10.1007/978-3-030-11821-1_24
-
Meierhofer, Jürg; Stadelmann, Thilo; Cieliebak, Mark,
2019.
.
In:
Braschler, Martin; Stadelmann, Thilo; Stockinger, Kurt, Hrsg.,
Applied data science : lessons learned for the data-driven business.
Cham:
Springer.
S. 47-61.
Verfügbar unter: https://doi.org/10.1007/978-3-030-11821-1_4
-
Geiger, Melanie; Stockinger, Kurt,
2019.
Data warehousing and exploratory analysis for market monitoring
.
In:
Applied data science : lessons learned for the data-driven business.
Cham:
Springer.
S. 333-351.
Verfügbar unter: https://doi.org/10.1007/978-3-030-11821-1_18
-
Amirian, Mohammadreza; Rombach, Katharina; Tuggener, Lukas; Schilling, Frank-Peter; Stadelmann, Thilo,
2019.
Efficient deep CNNs for cross-modal automated computer vision under time and space constraints [Paper].
In:
ECML-PKDD 2019, Würzburg, Germany, 16-19 September 2019.
ZHAW Zürcher Hochschule für Angewandte Wissenschaften.
Verfügbar unter: https://doi.org/10.21256/zhaw-18357