• Wie macht man Information nutzbar?
• Wie findet man neue Themen und Trends?
• Wie gewinnt man aus heterogenen/unstrukturierten Daten und Informationen Erkenntnisse?
• Wie sagt man bestimmte Ereignisse voraus?
• Wie kann Software aus vergangenen Ereignissen lernen? 

Mit diesen und vielen weiteren Fragen beschäftigt sich der Schwerpunkt Information Engineering, welcher die Themen "Information Retrieval" und "Datenbanken und Information Systems" sowie "Künstliche Intelligenz" bearbeitet. 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. Während die spontane "Ad-hoc" Suche über grosse Informationsbestände dank Websuchdiensten heute zu unserem Alltag gehört, steht die Einführung von komplexeren Systemen zur Unterstützung wissensintensiver Geschäftsprozesse erst am Anfang. Beispielsweise können Informationsströme halb- und vollautomatisch gefiltert und geeignet aufbereitet werden, so dass neue Themen und Trends entdeckt und Zusammenhänge erschlossen werden

Der Schwerpunkt 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)", "Anwendungen der Künstlichen Intelligenz" und "Machine Learning" (letzteres im Master) weiter. Der Schwerpunkt engagiert sich auch international im Rahmen von Forschungsprojekten der EU-Rahmenprogramme. Mit unseren Kompetenzen tragen wir zum interdisziplinären Forschungsfeld "Data Science" als Teil und Mitgründer des Datalab bei.

Der Schwerpunkt IE befasst sich in seinen Themen Information Retrieval, Datenbanken und Information Systems sowie Künstliche Intelligenz mit folgenden Feldern: 

• Suche in Text- und Multimediadaten (Retrieval)
• Natural Language Processing und Cross-Language Retrieval, Kategorisierung
• Aufspüren von Themen und Trends (Finden, ohne zu suchen)
• Benchmarking von Suchsystemen
• Data Warehousing und komplexe Datenanreicherungsprozesse
• Integration von heterogenen und unstrukturierten Daten- und Informationsquellen  
• Skalierbaren Architekturen und Technologien im Bereich Datenbanken und Big Data
• Data- und Text-Mining
• Maschinelles Lernen, insbesondere Deep Learning
• Multimedia-Analyse und Steuerung von Agenten (Reinforcement Learning)
• Data Science im Rahmen des Datalab