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
- Vorherige Seite
- Seite 01
- …
- Seite 04
- Seite 05
- Seite 06
- Seite 07
- Seite 08
- …
- Seite 18
- Nächste Seite
-
RealScore – Scanning of Real-World Sheet Music for a Digital Music Stand
ScorePad’s sheet music scanning service works for high quality input; to scale up business, it should work as well for smartphone pictures, used sheets etc. Project RealScore enhances the successful predecessor project by making deep learning adapt to unseen data through unsupervised learning. ...
-
FWA: Visual Food Waste Analysis for Sustainable Kitchens
Ein neuartiger Ansatz für die vollautomatische Analyse von Lebensmittelabfällen für Großküchen wird untersucht. Lebensmittelabfälle werden mit einer neuen Kameraeinrichtung automatisch erkannt, in Echtzeit analysiert und mit Hilfe von maschinellen Lernalgorithmen klassifiziert.
-
NQuest – Natural Language Query Exploration System
There is a huge amount of valuable information hidden in a company's database which is not easily accessible to business people. To query these databases, end users need to know the technical query language SQL as well as the database structure. However, typical end users do not have enough SQL skills to formulate ...
Publikationen
-
Sima, Ana Claudia; Mendes de Farias, Tarcisio; Anisimova, Maria; Dessimoz, Christophe; Robinson-Rechavi, Marc; Zbinden, Erich; Stockinger, Kurt,
2022.
Distributed and Parallel Databases.
40(2), S. 409-440.
Verfügbar unter: https://doi.org/10.1007/s10619-022-07414-w
-
Holzer, Severin; Stockinger, Kurt,
2022.
Detecting errors in databases with bidirectional recurrent neural networks [Paper].
In:
Proceedings of EDBT 2022.
25th International Conference on Extending Database Technology, Edinburgh (online), 29 March - 1 April 2022.
OpenProceedings.
S. 364-367.
Verfügbar unter: https://doi.org/10.48786/edbt.2022.22
-
Klingler, Yasamin; Lehmann, Claude; Monteiro, Joao Pedro; Saladin, Carlo; Bernstein, Abraham; Stockinger, Kurt,
2022.
Evaluation of algorithms for interaction-sparse recommendations : neural networks don’t always win [Paper].
In:
Proceedings of EDBT 2022.
25th International Conference on Extending Database Technology, Edinburgh (online), 29 March - 1 April 2022.
OpenProceedings.
S. 475-486.
Verfügbar unter: https://doi.org/10.48786/edbt.2022.42
-
Lehmann, Claude; Gehrig, Dennis; Holdener, Stefan; Saladin, Carlo; Monteiro, João Pedro; Stockinger, Kurt,
2022.
Building natural language interfaces for databases in practice [Paper].
In:
Proceedings of the 34th SSDBM.
34th International Conference on Scientific and Statistical Database Management (SSDBM), Copenhagen, Denmark, 6 - 8 July 2022.
Association for Computing Machinery.
Verfügbar unter: https://doi.org/10.1145/3538712.3538744
-
Amer-Yahia, Sihem; Koutrika, Georgia; Braschler, Martin; Calvanese, Diego; Lanti, Davide; Lücke-Tieke, Hendrik; Mosca, Alessandro; Mendes de Farias, Tarcisio; Papadopoulos, Dimitris; Patil, Yogendra; Rull, Guillem; Smith, Ellery; Skoutas, Dimitrios; Subramanian, Srividya; Stockinger, Kurt,
2021.
INODE : building an end-to-end data exploration system in practice.
SIGMOD Record.
50(4), S. 23-29.
Verfügbar unter: https://doi.org/10.21256/zhaw-23624