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
Im Zuge des Neuaufbaus der Forschungsdatenbank sind die bisherigen Listen mit Forschungsprojekten nicht mehr abrufbar. Die Zukunft geht in Richtung Volltextsuche und Filterung, um bestmögliche Suchergebnisse für unsere Besucher:innen zur Verfügung zu stellen.
In der Zwischenzeit kannst du die Projekte ganz einfach unter folgenden Link per Textsuche finden: «Zur neuen Suche in der Projektdatenbank»
Publikationen
-
Lukic, Yanick X.; Vogt, Carlo; Dürr, Oliver; Stadelmann, Thilo,
2017.
Learning embeddings for speaker clustering based on voice equality [Paper].
In:
2017 IEEE 27th International Workshop on Machine Learning for Signal Processing (MLSP).
27th IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2017), Tokyo, 25-28 September 2017.
IEEE.
Verfügbar unter: https://doi.org/10.1109/MLSP.2017.8168166
-
von Grünigen, Dirk; Weilenmann, Martin; Deriu, Jan Milan; Cieliebak, Mark,
2017.
Potential and limitations of cross-domain sentiment classification [Paper].
In:
Proceedings of the Fifth International Workshop on Natural Language Processing for Social Media.
Fifth International Workshop on Natural Language Processing for Social Media, Valencia, Spain, 3-7 April 2017.
Stroudsburg:
Association for Computational Linguistics.
S. 17-24.
Verfügbar unter: https://doi.org/10.18653/v1/W17-1103
-
Falkner, Nicole; Dolce, Stefano; von Däniken, Pius; Cieliebak, Mark,
2017.
Swiss chocolate at CAp 2017 NER challenge : partially annotated data and transfer learning [Paper].
In:
19th Conference sur l'Apprentissage Automatique, Grenoble, 28-30 June 2017.
ZHAW Zürcher Hochschule für Angewandte Wissenschaften.
Verfügbar unter: https://doi.org/10.21256/zhaw-1532
-
Deriu, Jan Milan; Cieliebak, Mark,
2017.
In:
Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017).
SemEval 2017 - International Workshop on Semantic Evaluation, Vancouver, Canada, 3-4 August 2017.
Association for Computational Linguistics.
S. 334-338.
Verfügbar unter: https://doi.org/10.18653/v1/S17-2054
-
Müller, Simon; Huonder, Tobias; Deriu, Jan Milan; Cieliebak, Mark,
2017.
In:
Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017).
11th International Workshop on Semantic Evaluation, Vancouver, Canada, 3-4 August 2017.
Association for Computational Linguistics.
S. 766-771.
Verfügbar unter: https://doi.org/10.21256/zhaw-1529