Forschung am Institut für Informatik und Wirtschaftsinformatik
Die Forschung des Instituts für Informatik und Wirtschaftsinformatik konzentriert sich auf die Beherrschung großer und komplexer Datenmengen in Wirtschaft und Gesellschaft. Die Schwerpunkte der Forschung liegen in den Bereichen Data Analytics, Künstliche Intelligenz, Verarbeitung natürlicher Sprache, Datenintegration, IT-Sicherheit und Softwareentwicklung. Die folgenden Abschnitte geben einen Überblick über die spezifische Forschung der einzelnen Lehrstühle des Instituts.
Lehrstühle des Instituts
Lehrstuhl für Wirtschaftsinformatik III (Enterprise Data Analysis)
Prof. Dr. Simone Paolo Ponzetto
Unsere Arbeitsgruppe untersucht Methoden zum automatischen Wissenserwerb und zur Verarbeitung natürlicher Sprache (NLP) sowie deren Anwendung zur Unterstützung der empirischen Forschung in den Sozialwissenschaften (Computational Social Science) und in den Geisteswissenschaften (Digital Humanities). In unserer Arbeit forschen wir an einer Vielzahl von Techniken zum Textverständnis – vom Lernen von Repräsentationen und distributioneller Semantik bis hin zu symbolischen, entitätsbasierten Ansätzen, die Wissensgraphen nutzen – und wenden diese auf eine Vielzahl von Forschungsthemen wie computationelle Semantik, Multilingualität, Information Retrieval und multimodales NLP an, um nur einige zu nennen.
Lehrstuhl für Wirtschaftsinformatik V (Web-based Systems)
Die Arbeitsgruppe Web-based Systems untersucht technische und empirische Fragen bezüglich der Entwicklung globaler, dezentralisierter Informationsumgebungen. Der aktuelle Fokus unserer Forschung ist die Entwicklung des World-Wide-Webs von einem Medium zur Veröffentlichung von Dokumenten hin zu einem globalen Datenraum. Unsere empirische Arbeit begleitet diese Entwicklung indem wir die Adaption von Semantic-Markup- und Linked-Data-Technologien im Zeitverlauf untersuchen. Unsere technische Arbeit konzentriert sich auf die Integration von Daten aus sehr großen Mengen an Datenquellen und umfasst Themen wie Information Extraction, Identity Resolution, Schema Matching, Datenfusion und Datensuche. Die entwickelten Methoden verwenden wir zur Integration von Produktdaten aus E-Shops sowie zur Erstellung großer Wissensbasen, z.B. DBpedia.
Lehrstuhl für Praktische Informatik I (Data Analytics)
Der Lehrstuhl für „Data Analytics“ fokussiert sich auf Systeme und Methoden zur Analyse von großen, komplexen Datenbeständen mit dem Ziel, nützliches Wissen in einer sowohl effektiven als auch effizienten Art und Weise zu gewinnen. Die Forschung der Lehrstuhls konzentriert sich auf Gebiete wie Systeme zur skalierbaren Datenverarbeitung, skalierbare Data Mining- und Machine Learning-Methoden, Approximationstechniken, Informationsextraktion und Verarbeitung natürlichsprachiger Texte sowie statistische relationale Lernverfahren.
Lehrstuhl für Praktische Informatik II (Artificial Intelligence)
Prof. Dr. Heiner Stuckenschmidt
Der Lehrstuhl führt Grundlagen- und angewandte Forschung in einer breiten Palette von Themen der Künstlichen Intelligenz durch, darunter Wissensrepräsentation, maschinelles Lernen, Verarbeitung natürlicher Sprachen und Entscheidungstheorie. Die Gruppe ist international bekannt für ihre Arbeit im Bereich der Informationsintegration, der Kombination von logischem und probabilistischem Schließen und der automatischen Aktivitätserkennung. Der Lehrstuhl arbeitet eng mit dem Institut für Enterprise Systems (InES) zusammen und hat KI-Techniken in einer Reihe von Projekten in Bereichen wie Gesundheitswesen, Finanzen, Automobilindustrie und Einzelhandel angewendet. Die Gruppe hat erfolgreich Industrieprojekte in Zusammenarbeit mit großen Unternehmen sowie Start-ups und kleinen Technologieunternehmen durchgeführt und ist ständig auf der Suche nach neuen Herausforderungen und Möglichkeiten, die Vorteile von KI-Methoden in realen Anwendungen zu demonstrieren.
Lehrstuhl für Praktische Informatik III (Datenbankmanagementsysteme)
Der Lehrstuhl für Praktische Informatik III (LSPI3) ist ein Lehrstuhl für Datenbanksysteme.
Der Fokus liegt dabei auf Anfrageoptimierung und -auswertung. Das Ziel der Anfrageoptimierung ist es, aus einer gegebenen Menge von Ausführungsplänen unter Berücksichtigung der Kosten den besten Plan zu finden. Die Planausführung beschäftigt sich dann mit der möglichst effizienten Implementierung der algebraischen Operatoren, aus denen der Plan zusammengesetzt ist.
Lehrstuhl für Praktische Informatik IV (Dependable Systems Engineering)
Forschungsgebiete des Lehrstuhls sind Kryptographie und IT-Sicherheit. Ziel der Forschung ist die Entwicklung und Anwendung von technischen Maßnahmen, um Sicherheit und Privatsphäre in Bezug auf Daten zu realisieren. Die Forschung ist durch die Tatsache motiviert, dass Personen und Institutionen immer häufiger wissentlich Zugriff auf eigene Daten ermöglichen, bspw. durch Verwendung von Cloud Services. Weiterhin resultiert aus der immer stärkeren Verbreitung eingebetteter Systeme (Internet der Dinge), dass eine Vielzahl an Geräten unbeabsichtigt Informationen erhalten, bspw. über das Benutzerverhalten bei Smartphones oder über Produktionsprozesse im Kontext von Industrie 4.0. Unser Ziel ist es, die Inhalte dieser Daten zu schützen, so dass möglichst keine Einschnitte hinsichtlich der Praktikabilität und des Nutzens entstehen, als auch neue Ansätze zu entwickeln, um solche Daten für mehr Sicherheit einzusetzen, bspw. zur Authentifikation.
Lehrstuhl für Theoretische Informatik
Die Forschungskompetenzen des Lehrstuhls liegen in den Gebieten Komplexitätstheorie, Algorithmen und Datenstrukturen und Kryptographie. Aktuelle Schwerpunkte in der Forschung sind Beweisbare Sicherheit von symmetrischen Verschlüsselungsverfahren, Hashfunktionen-Konstruktionen und Authentifizierungsprotokollen, Weiterentwicklung von Kryptanalysetechniken, sowie Entwurf, Analyse und Implementierung von ultraleichtgewichtigen Verschlüsselungsverfahren für sogenannte ultra-constrained devices (z.B. RFIDs).
Lehrstuhl für Softwaretechnik
Der Lehrstuhl für Softwaretechnik beschäftigt sich mit Methoden und Werkzeugen zur effizienten Entwicklung zuverlässiger Software Systeme. Unser Fokus liegt auf der Integration diverser grundlegender Paradigmen in der Softwaretechnik mit einem besonderen Schwerpunkt auf modellgetriebene Softwareentwicklung und Visualisierung, als auch das Data Mining umfangreicher Software Repositories (Big Code): Zu den wichtigsten Forschungsbereichen gehören unter anderem Multi-Level (Deep) Modellierung, sichtenbasierte Entwicklung und beobachtungsbasierte Analyse umfangreicher Softwarebestände.
Lehrstuhl für Data Science
Die Gruppe beschäftigt sich mit dem Aufbau und der Verwendung großer Wissensgraphen. Wir untersuchen Methoden zum Generieren dieser Wissensgraphen aus verschiedenen Quellen (z. B. Wikis und anderen strukturierten Websites) sowie Verfahren zur automatischen Verbesserung dieser Graphen (z.B. Ergänzung fehlenden Wissens oder Finden von Fehlern) mit Hilfe von heuristischer Inferenz oder maschinellem Lernen. Darüber hinaus betrachten wir die Konstruktion und Verfeinerung von Wissensgraphen ganzheitlich, indem wir versuchen, Meta-Wissen über den Prozess und den Lebenszyklus von Wissensgraphen zu formalisieren und zu nutzen. Auf der Anwendungsseite untersuchen wir, wie Wissensgraphen verwendet werden können, um die Ergebnisse verschiedener wissensintensiver Aufgaben zu verbessern.
Juniorprofessur für Programmiersprachen- und Compilerdesign
Der Fokus dieser Gruppe liegt auf der Entwicklung innovativer Programmiersprachen und Compiler, die eine Programmierung portabler und hochperformanter Anwendungen für moderne Computerarchitekturen ermöglichen. Dabei konzentrieren wir uns insbesondere auf verschiedene Formen der Parallelisierung. Gerade vor dem Hintergrund einer stetig heterogener werdenden Rechnerlandschaft sind solche Werkzeuge von außerordentlicher Bedeutung. Unsere Arbeit legt großen Wert darauf, konkrete Anwendungsprobleme aus Industrie und Forschung wie beispielsweise Simulationssoftware mit theoretisch fundierten Methoden zu abstrahieren und dadurch übergeordnete und wiederverwendbare Lösungsansätze zu schaffen.
Juniorprofessur für Computer Vision
Paul Swoboda develops innovative tools for extending the use of machine learning by combining them with other methodologies, mainly optimization. Optimization allows the explicit modeling of constraints on the output of a system and hence offers the possibility to get more inductive biases into machine learning systems. With these tools Paul Swoboda competes on a wide array of basic computer vision tasks, including segmentation, matching and tracking.