In Unternehmen und in Sozialen Medien (wie Foren) entsteht eine große Menge von Texten. Diese Texte enthalten oft umfangreiches Wissen was für Unternehmen sowie die Kommunikation mit Kunden von großer Bedeutung für den Erfolg von Projekten ist. Die Vielfältigkeit der Texte erschwert die automatische Analyse der Texte und die Extraktion von Wissen. Herausforderung sind: Umgang mit Umgangssprachen, Fremdsprachigen Formulierungen, grammatischen Fehlern sowie Synonyme und Homonyme

Im Anwendungszentrum Data Analytics werden Verfahren entwickelt und in praktische Anwendungen integriert, mit den unstrukturierte Texte in Wissensgraphen (Knowledge Graphs) überführt werden können. Ein Knowledge Graph beschreibt die Entitäten einer Domäne und wie sie in Relation stehen. Das Erstellen eines Knowledge Graph ist allerdings je nach Domäne sehr aufwändig. Deswegen wird Verfahren entwickelt, um diesen Prozess weitgehend zu Automatisieren.

Empfehlungssysteme kombinieren vielfältige Verfahren, um die Vorlieben und Interessen des Benutzers zu ermitteln und darauf aufbauend Vorschläge zu generieren. Für das Ableiten von Empfehlungen analysiert ein Empfehlungssystem verschiedene Daten, wie z. B. das Verhalten des Benutzers in der Vergangenheit, die Interessen von ähnlichen Benutzern und Freunden, die Gemeinsamkeiten von zu empfehlenden Objekten sowie den Kontext der Empfehlung. Die Informationen werden verknüpft, um Objekte (z.B. Filme, Bücher) zu bestimmen, die für den Benutzer von Interesse sind.

Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz um Muster und Gesetzmäßigkeiten auf Basis großer Datenmengen und intelligenter Algorithmen zu erkennen. Unser Team beschäftigt sich hauptsächlich mit Time Series Mining, Deep Learning und Automated Machine Learning. In Automated Machine Learning untersuchen und entwickeln wir Verfahren, die automatisch geeignete Lernverfahren auswählen und deren Hyperparameter optimieren. Ziel ist es, die komplexe Anwendung von Verfahren des Maschinellen Lernens auch für Nichtexperten zu vereinfachen. Wir entwickeln Deep-Learning-Architekturen künstlicher neuronaler Netze, die in der Lage sind, Repräsentationen, Konzepte und Abstraktionen aus komplexen Daten zu lernen, die auf industrielle Anwendungsprobleme im Kontext großer Datenmengen angewendet werden. Dabei verwenden wir klassische Multi-Layer Perceptrons, Convolutional Networks, LSTM, Autoencoders, Boltzman Machines und Recurrent Networks als Basismodelle. In Time Series Mining versuchen wir die stark anwendungsorientierte Domäne auf eine solide theoretische Grundlage zu stellen, um aus den theoretischen Erkenntnissen leistungsstärkere Methoden für die Klassifikation und das Clustering von Zeitreihen abzuleiten.

Die Digitalisierung schafft und ermöglicht einen effizienteren Umgang mit Wissen. Bestehendes Wissen kann digitalisiert werden. Neues Wissen und Ideen können auf der Grundlage des digitalisierten Wissens geschaffen werden. Die Grundanforderungen an das Wissensmanagement bleiben jedoch unverändert. Die Notwendigkeit, zu teilen, zu innovieren, wiederzuverwenden, zusammenzuarbeiten und zu lernen, ist zeitlos. Wir erforschen und entwickeln Verfahren und Werkzeuge zur Unterstützung von Daten- und Wissensdiensten. Mit Hilfe des Maschinellen Lernens arbeiten wir an Lösungen zur intelligenten Sammlung von Wissen, der Anreicherung des Wissens mit semantischen Informationen und Meta-Daten und die Abbildung der Beziehungen zwischen dem extrahierten Wissen. Das extrahierte Wissen kann in einem weiteren Schritt validiert und miteinander in Beziehung gesetzt werden.