Forschungsschwerpunkt Cognitive Computing in Life Sciences
Mit Cognitive Computing bieten wir neue Lösungen für die Life Sciences, die auf dem grundlegenden Verständnis von Mensch und Maschine als ein lernendes Gesamtsystem basieren.

Über uns
Der Schwerpunkt Cognitive Computing for Life Sciences beschäftigt sich mit der Entwicklung und dem Einsatz von computergestützten Methoden, Modellen und Systemen im Bereich der Life Sciences, deren Eigenschaften sich am Vorbild der Lern- und Adaptionsfähigkeiten bzw. Selbstorganisationsprinzipien natürlicher Systeme orientieren. Die entwickelten Lösungen unterstützen anspruchsvolle menschliche Tätigkeiten und Entscheidungsprozesse, können aber auch bei der Automatisierung von Prozessen zum Einsatz kommen. Die folgenden allgemeinen Aspekte stehen für unsere Forschung und Entwicklung im Zentrum: Lernfähigkeit/Adaptionsfähigkeit der Systeme, kontextgebundene Lösungen (Anwendungskontext in den Life Sciences), systemische Betrachtung der Anwendung und des Kontexts.
Der Schwerpunkt ist in verschiedene Forschungsgruppen gegliedert, die jeweils auf gewissen Methoden oder Anwendungsdomänen fokussieren.
Unsere Forschungsgruppen
Bio-Inspired Methods and Neuromorphic Computing
Die Forschungsgruppe ist methodisch spezialisiert auf die Entwicklung und den Einsatz lernfähiger Algorithmen und naturinspirierter Methoden (evolutionäre Algorithmen, Methoden der Physik). Im Weiteren umfasst die Spezialisierung auch den Einsatz neuromorphischer Technologien und die Entwicklung hybrider Ansätze, die Modelle komplexer Systeme mit datengetriebenen Lösungen kombinieren. Die Anwendungsgebiete umfassen alle Bereiche der Life Sciences mit Schwerpunkt in den Bereichen Health sowie Labore und Produktion.
Autonomous Systems and Reinforcement Learning

Die Forschungsgruppe ist methodisch spezialisiert auf Reinforcement Learning, Unsupervised and Semi-Supervised Learning sowie Human in the loop Machine Learning. Die Methodik umfasst daher auch Themen wie Online Learning und agentenbasierte Systeme.
Die Anwendungen umfassen alle Bereiche der Life Sciences. Ein spezifischer Fokus liegt bei der Entwicklung von Machine-Learning-Lösungen für Anwendungen in der Biotechnologie.
Predictive Analytics

Die Forschungsgruppe ist spezialisiert auf Signalverarbeitung, Merkmalsextraktion und Image Analysis für Prognosen, Musterentdeckung und Mustererkennung, Data Mining, statistische Modellierung und maschinelles Lernen. Sie realisiert Forschungsprojekte im Bereich von Predictive und Prescriptive Analytics. Die Forschungsgruppe beschäftigt sich mit allen Gebieten der Life Sciences. Ausgewiesene Erfahrungen gibt es u.a. im Bereich von Medtech, personalisierter Gesundheit und Sport Analytics. Darüber hinaus liegt die Expertise der Gruppe in der Verschmelzung verschiedenartiger Informationsquellen für Zeitreihenvorhersagen und Bild-/Videoanalysen. Im Kontext von Industrie 4.0 forscht die Gruppe im Bereich von Predictive und Prescriptive Maintenance.
Digital Environment and Sustainability
Die Forschungsgruppe setzt den Fokus auf Anwendungen im Umweltbereich und die Modellierung natürlicher Systeme und deren Interaktion mit dem Menschen. Dies umfasst auch Nachhaltigkeitsthemen in einem allgemeineren Kontext (Themenkreis Gesellschaft und Wirtschaft).
Der Methodenkatalog umfasst allgemeine Data Science, Machine Learning und Modellierungs-Techniken. Ein spezieller methodischer Fokus liegt auf der Modellierung mit diskreten Systemen wie Zelluläre Automaten und auf Deep Learning Methoden.
Lehre
Der Forschungsbereich umfasst Lehrengagements auf BSc- und MSc-Stufe sowie in der Weiterbildung. Auf BSc-Stufe Gebiet werden Grundlagenfächer im Bereich der mathematischen und physikalischen Modellierung, der Statistik sowie der Informationsverarbeitung in allen Studiengängen des Departements angeboten. Weiter umfasst die Lehre spezifische Fächer im Bereich der Data Science mit Fokus «maschinelles Lernen, neuronale Netzwerke, Signal-und Bildanalyse» in den institutseigenen Programmen BSc ADLS, MSc ACLS und in der Weiterbildung. Drittens werden spezifische Fächer vor allem in der Vertiefung Digital Environment des ADLS angeboten.
Team Cognitive Computing in Life Sciences
-
Schwerpunktleitung Digital Environment
-
Studiengangleitung MSc Vertiefung ...
-
Leitung Forschungsgruppe für Autonome Systeme und ...
-
Leitung Predictive Analytics Group (FS)
Projekte
-
Stability of self-organizing net fragments as inductive bias for next-generation deep learning
We recently released "A Theory of Natural Intelligence", proposing a possible key to the emergence of intelligence in biological learners. Goal of this fellowship is to develop a technical implementation of the concept of self-organizing netfragments within contemporary deep artificial neural nets. ...
-
Investor and Stakeholder Tools for Tracking Companies’ Climate Commitments, Greenwashing and ESG Trends
This project aims to create a set of science-based methods to systematically detect potential greenwashing in corporate communication, as well as signals for green innovation and technologies. By applying the methods to thousands of stocks, we intend to design novel, ESG-proof financial products. ...
-
An experimental framework to allow evidence-based sustainability policymaking
Dieses Forschungsprojekt evaluiert die Machbarkeit der Verwendung eines mathematischen Ansatzes in der Nachhaltigkeitspolitik, basierend auf den Arbeiten der Wirtschaftsnobelpreisträger:in von 2019, die einen experimentellen Ansatz zur Verbesserung der Politik im Bereich der Armut durch Feldexperimente entwickelt ...
-
Drohnenalarm
Mikrodrohnen haben längst ihren Einzug in die Consumerwelt gefunden und werden immer erschwinglicher und einfacher in der Bedienung. Eine für Consumerdrohnen sehr vielversprechender Technik zur Erfassung ist die Detektion der ausgesendeten Funksignale. In diesem Projekt wird ein Laptop als Prototyp zur ...
-
Reinforcement Learning Analysis Framework
Das Ziel dieses Projekts ist es, einen Rahmen zu schaffen, der die Entwicklung von RL-Lösungen für reale Anwendungen erleichtert. Dies ist notwendig, da sich die akademische Literatur in der Regel auf spezifische Algorithmen konzentriert und sich die Ansätze für verschiedene Regionen im hochkomplexen RL-Problemraum ...
Publikationen
-
Cuccu, Giuseppe; Danafar, Somayeh; Cudré-Mauroux, Philippe; Gassner, Martin; Bernero, Stefano; Kryszczuk, Krzysztof,
2017.
A data-driven approach to predict NOx-emissions of gas turbines [Paper].
In:
2017 IEEE International Conference on Big Data (BIGDATA).
2017 IEEE International Conference on Big Data (IEEE BigData 2017), Boston, 11-14 December 2017.
S. 1283-1288.
Verfügbar unter: https://doi.org/10.1109/BigData.2017.8258056
-
Danafar, Somayeh; Piorkowski, Michal; Kryszczuk, Krzysztof,
2017.
Bayesian framework for mobility pattern discovery using mobile network events [Paper].
In:
2017 25th European Signal Processing Conference (EUSIPCO).
25th European Signal Processing Conference (EUSIPCO), Kos, 28 August - 2 September 2017.
IEEE.
S. 1105-1109.
Verfügbar unter: https://doi.org/10.23919/EUSIPCO.2017.8081372
-
Glüge, Stefan; Böck, Ronald; Ott, Thomas,
2017.
Emotion recognition from speech using representation learning in extreme learning machines [Paper].
In:
Sabourin, Christophe; Julian Merelo, Juan; O'Reilly, Una-May; Madani, Kurosh; Warwick, Kevin, Hrsg.,
Proceedings of the 9th International Joint Conference on Computational Intelligence.
9th International Joint Conference on Computational Intelligence, Funchal, Portugal, 1-3 November 2017.
SciTePress.
S. 179-185.
Verfügbar unter: https://doi.org/10.5220/0006485401790185
-
Kauf, Peter; Ott, Thomas,
2017.
Smart together : lernfähige Prognose-Algorithmen unterstützen Menschen.
Logistics Innovation.
2017(1), S. 32-35.
-
Burkhard, Marcel; Kauf, Peter,
2015.
Forschung und Praxis : optimierte Absatzprognosen für den Lebensmittelhandel : Tagungsreferat.
In:
Best Practice in der Lebensmittellogistik, Hamburg, Deutschland, 1. September 2015.