Intelligent Information Systems
![](/storage/_processed_/5/4/csm_IIS_900x150_6b047e2491.webp)
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 02
- Seite 03
- Seite 04
- Seite 05
- …
- Seite 19
- Nächste Seite
-
Transformation der Textilindustrie von Push- zu Pull-Produktion durch Digitalisierung
Das Ziel des vorliegenden Projekts ist die Entwicklung einer Plattform, um Supply Chains der Textilindustrie aus einem Push- in ein Pull-System zu überführen und somit die Textilproduktion nachhaltiger und transparenter zu gestalten. Zukünftige Supply Chains sollen, zentriert um diese Cloud-basierte Plattform herum, ...
-
GraphQueryML – Verwendung von maschinellem Lernen zur Optimierung von Abfragen in Graphdatenbanken (SNF/DFG)
Mit maschinellem Lernen das "Gehirn" von Datenbanken verbessern: Die Abfrageoptimierung (Query Optimization) ist eines der schwierigsten Probleme der Datenbankforschung. Ein Abfrageoptimierer kann als das "Gehirn" des Systems betrachtet werden, das dafür sorgt, dass Abfragen effizient ausgeführt werden. Auch nach ...
-
DOSSMA – Erkennung von verdächtigem Verhalten in Social Media
Das Projekt DOSSMA wird verdächtiges und bösartiges Verhalten auf Social-Media-Plattformen untersuchen. In einer ersten Phase werden wir einen umfangreichen Übersichtsbericht über die Bereiche erstellen, die derzeit erforscht werden, einschließlich des jeweiligen Stands der Technik, bestehender Lösungen und ...
Publikationen
-
Nooralahzadeh, Farhad; Zhang, Yi; Smith, Ellery; Maennel, Sabine; Matthey-Doret, Cyril; Raphaël, de Fondville; Stockinger, Kurt,
2024.
StatBot.Swiss : bilingual open data exploration in natural language [Paper].
In:
Findings of the Association for Computational Linguistics: ACL 2024.
62nd Annual Meeting of the Association for Computational Linguistics (ACL), Bangkok, Thailand, 11-16 August 2024.
Association for Computational Linguistics.
Verfügbar unter: https://doi.org/10.21256/zhaw-30993
-
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