Fakultät Informatik/Mathematik

Data Intelligence Lab

„Water, water, every where, / Nor any drop to drink“

Samuel Taylor Coleridges, 1798

AL4ML

Die Notlage des Seemanns die der obige Vers ausdrückt erinnert an die Probleme vieler Unternehmen und Organisationen heute. Sie sind auf Grund der Digitalisierung von einer Flut von Daten umgeben, die vor 20 Jahren noch undenkbar war, jedoch nicht in der Lage diese Daten zu nutzen und einen Mehrwert daraus zu ziehen.

Das „Data Intelligence Lab“ ist daher bestrebt, die datengestützte Entscheidungsfindung voranzutreiben, um zu qualitativ hochwertigen, umsetzbaren Erkenntnissen für Wissenschaft, Industrie und Gesellschaft zu gelangen. Zu diesem Zweck erforscht und entwickelt das „Data Intelligence Lab“ Methoden, Technologien und Werkzeuge für die Datenanalyse, die sich über die gesamte Datenwertschöpfungskette erstrecken. Dies umfasst die Phasen von der Datenerfassung und Informationsextraktion, einschließlich der Datenannotation, über die Informationsintegration und -speicherung, bis hin zur skalierbaren Datenverarbeitung und -analyse sowie dem Einsatz von maschinellem Lernen und künstlicher Intelligenz.

Unser Ziel ist es, genaue, verlässliche und nachhaltige Lösungen zu entwickeln, die es verschiedensten Anwendern in Industrie und Wissenschaft ermöglichen, datenbasierte Entscheidungen zu treffen und die Effizienz ihrer Prozesse zu steigern.

Projekte

AL4ML: Active-Learning in Machine-Learning-Projekten - Evaluation und Handlungsempfehlungen (Laufzeit: 01.04.2022-31.12.2025, SMWK)

Die Zielstellung dieses Projekts besteht darin Active Learning an praktischen Anwendungsfeldern systematisch zu evaluieren,  konkrete Handlungsempfehlungen für den Einsatz von AL in Annotationsprojekten abzuleiten und damit den zukünftigen Einsatz von Active Learning erheblich zu erleichtern.

TabEx - Halbüberwachter Lernansatz zur Tabellenerkennung und Datenextraktion aus Fahrzeuggenehmigungen (Laufzeit: 01.10.2023-30.09.2025, Industrie)

TabEx zielt darauf ab, mittels halbüberwachtem Lernen die Erkennung und Extraktion von Daten aus Tabellen in Fahrzeuggenehmigungs- dokumenten weitestgehend zu automatisieren. Durch die Verwendung von teils annotierten, teils unannotierten Daten werden Modelle trainiert , die in der Lage sind Fahrzeuginformationen präzise zu identifizieren und zu extrahieren. Dadurch wird der manuelle Aufwand zur Informationsextraktion minimiert und die strukturierte Erschließung der Daten massiv beschleunigt.

 

REACH-IT Skalierbare Erreichbarkeitsanalyse im intermodalen Verkehr unter Verwendung offener Daten (Laufzeit: 01.02.2024-31.07.2025, BMDV mFund )

In diesem Forschungsprojekt sollen offene Daten, verschiedener Mobilitätsdienstleister in einen Mobilitätsgraphen integrierten sowie Maße für die Erreichbarkeit modelliert und unter Nutzung skalierbarer Datenanalysen-Plattformen auf dem Mobilitätsgraphen ausgewertet werden. Im Dialog mit Anwendern sind die zu entwickelnden Erreichbarkeitsmaße in Kontext konkreter Planungs- und What-if-Szenarien zu bewerten und Handlungsempfehlungen abzuleiten.