Institut für Datenanalyse und Prozessdesign (IDP)
Wir generieren Mehrwert aus Daten
Wir nutzen fortschrittliche datenbasierte Methoden, um innovative Lösungen für Wirtschaft und Industrie zu entwickeln. Wir begegnen realen Herausforderungen mit wissenschaftlichen Methoden und einem starken Fokus auf praktische Relevanz. Wir sind die führende Ausbildungsstätte und bevorzugte Partnerin für angewandte Data Science und Business Engineering in der Schweiz.
Schwerpunkte
Fortschrittliche, wissenschaftliche Instrumente und Werkzeuge für Lösungen in der Finanzbranche
Health and Environmental Analytics
Datenanalyse zur Ableitung interpretierbarer Ergebnisse unter Verwendung statistischer und maschineller Lerntechniken.
Maintenance, Mobility, AI & Society
Nutzung von KI und fortschrittlicher Modellierung für Innovationen in den Bereichen vorausschauende Wartung, Mobilitätslösungen und sozial ausgerichtete Systeme
Gewinnung von Erkenntnissen, Schaffung von Werten und Förderung von Innovationen in Geschäftsprozessen und Dienstleistungen
Visual Intelligence and Applications
Da visuelle Daten zu einer der reichhaltigsten und komplexesten Informationsquellen werden, ist Visual Intelligence ein wichtiger Pfeiler der modernen Datenwissenschaft, der neue Wege zur Analyse, Modellierung und Kommunikation durch Bilder, Videos und immersive Umgebungen ermöglicht.
Für Studierende
Consulting Services
Aktuelles
Unser Team
Publikationen
-
2024.
Journal of Scheduling.
27(3), S. 257-275.
Verfügbar unter: https://doi.org/10.1007/s10951-023-00787-5
-
Wulf, Jochen; Meierhofer, Jürg,
2024.
Utilizing large language models for automating technical customer support.
arXiv.
Verfügbar unter: https://doi.org/10.48550/arXiv.2406.01407
-
2024.
A data-centric-AI trick to clean your dirty data.
In:
Detecting unusual or abnormal patterns in data is one of the common tasks of AI algorithms in commercial applications. In some applications, such as fraud detection, defect detection or medical diagnostics, anomaly detection is the main objective. In other applications, detecting abnormal data points is part of the data cleaning and preparation pipeline. In all cases, the use of AI-based methods relies on having a training dataset which can represent the normal behaviour, and must therefore be free of anomalies. Problems arise when we realize that having an anomaly-free training dataset is not always possible in practice: most real-world datasets are contaminated with unknown anomalies or mislabeled data..
-
Wulf, Jochen; Meierhofer, Jürg,
2024.
Exploring the potential of large language models for automation in technical customer service[Paper].
In:
Bigdeli, Ali Z.; Baines, Tim; Akkermans, Henk, Hrsg.,
Digital Service Innovation: Redefining Provider-Customer Interactions : Proceedings of the Spring Servitization Conference.
Spring Servitization Conference, Tilburg, The Netherlands, 13-14 May 2024.
The Advanced Services Group.
S. 146-157.
Verfügbar unter: https://doi.org/10.21256/zhaw-30660
-
Benedech, Rodolfo; Moorthy, Anand R.; Weisskopf, Simon; Meierhofer, Jürg; Rapaccini, Mario,
2024.
In:
Bigdeli, Ali Z.; Baines, Tim; Akkermans, Henk, Hrsg.,
Digital Service Innovation: Redefining Provider-Customer Interactions : Proceedings of the Spring Servitization Conference.
Spring Servitization Conference, Tilburg, The Netherlands, 13-14 Mai 2024.
The Advanced Services Group.
S. 181-192.
Verfügbar unter: https://doi.org/10.21256/zhaw-30883