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
-
Digital Health Zurich – Ein Praxislabor für patientenzentrierte klinische Innovation
Digital Health Zurich erforscht digitale Gesundheitslösungen im Spitalkontext und setzt diese effizient und praxisrelevant um. Kernthemen sind PROMs (Patient Reported Outcome Measure), Fernüberwachung, integrierte Pflege und damit verbundene Technologien sowie die Befähigung von Patient:innen und Personal. Unsere ...
-
INODE4StatBot.swiss – Anwendung neuer Algorithmen zur automatischen Übersetzung natürlicher Sprache in die Datenbankabfragesprache SQL (NL-to-SQL)
Das Ziel dieses Projekts ist es, die wichtigsten Algorithmen, die im EU-Projekt INODE (Intelligent Open Data Exploration, https://www.inode-project.eu/) entwickelt wurden, auf Swiss Open Data anzuwenden. Der Fokus liegt auf der Entwicklung mehrsprachiger Erweiterungen für sogenannte Natural Language to ...
-
Smart UMH: Smart urban multihub concept: Sustainable and liveable cities with low logistics visibility
Cities suffer from too much traffic, leading to congestion, air and noise pollution. Increased e-commerce popularity intensifies these challenges further. The Covid crisis has proven that our urban logistics systems are neither reliable, resilient, nor sustainable. Our objective is to develop a future urban ...
Publikationen
-
Imhof, Melanie; Braschler, Martin,
2017.
A study of untrained models for multimodal information retrieval.
Information Retrieval Journal.
21(1), S. 81-106.
Verfügbar unter: https://doi.org/10.1007/s10791-017-9322-x
-
Cieliebak, Mark; Deriu, Jan Milan; Egger, Dominic; Uzdilli, Fatih,
2017.
A Twitter corpus and benchmark resources for german sentiment analysis [Paper].
In:
5th International Workshop on Natural Language Processing for Social Media, Boston MA, USA, 11 December 2017.
Association for Computational Linguistics.
S. 45-51.
Verfügbar unter: https://doi.org/10.18653/v1/W17-1106
-
Kodiyan, Don; Hardegger, Florin; Neuhaus, Stephan; Cieliebak, Mark,
2017.
Author profiling with bidirectional RNNs using attention with GRUs : notebook for PAN at CLEF 2017 [Paper].
In:
CLEF 2017 Evaluation Labs and Workshop – Working Notes Papers.
CLEF 2017 Conference and Labs of the Evaluation Forum, Dublin, Ireland, 11-14 September 2017.
RWTH Aachen.
Verfügbar unter: https://doi.org/10.21256/zhaw-1531
-
Meier, Benjamin; Stadelmann, Thilo; Stampfli, Jan; Arnold, Marek; Cieliebak, Mark,
2017.
Fully convolutional neural networks for newspaper article segmentation [Paper].
In:
Proceedings of the 14th IAPR International Conference on Document Analysis and Recognition (ICDAR).
14th IAPR International Conference on Document Analysis and Recognition (ICDAR 2017), Kyoto Japan, 13-15 November 2017.
Kyoto:
CPS.
Verfügbar unter: https://doi.org/10.21256/zhaw-1533
-
Cieliebak, Mark; Magid, Amani; Pradarelli, Beatrice,
2017.
How to throw chocolate at students : a survey of extrinsic means for increased audience attention [Paper].
In:
Global Engineering Education Conference (EDUCON).
Global Engineering Education Conference (EDUCON), Athens, Greece, 25-28 April 2017.
IEEE.
S. 199-203.
Verfügbar unter: https://doi.org/10.1109/EDUCON.2017.7942847