Informationsvisualisierung
Visual Analytics
Machine Learning
Analytische Software-Architekturen
Human-Computer-Interaction
Data Science zur Durchführung spezifischer Datenanalysen
Partner: Austrian Power Grid AG, HAKOM Time Series GmbH
Qualitätsbewertung von Zeitreihendaten; Validierung und Vergleich von Vorhersagemodellen
Partner: AVL List GmbH
Validierung von Simulationsdaten, Sensitivitätsanalyse, Mehrzweck-Optimierung
Partner: RHI Magnesita, Plasmo Industrietechnik GmbH
Monitoring von Produktionsprozessen und Produktionsfehlern, Analyse zur Prozessoptimierung
Partner: Hauptverband österreichischer Sozialversicherungsträger, Gesundheit Österreich GmbH
Qualitätsbewertung von Bilanzierungsdaten, Überwachung und Analyse von Leistungsindikatoren im Bereich des Gesundheitswesens
Partner: Schedule Coordination Austria GmbH, AI-MS Aviation Infrastructure Management Systems GmbH
Identifizierung von Zusammenhängen und Trends, Datenaufbereitung, Detailanalyse von Ergebnissen der Flugplanoptimierung
Im Projekt REINFORCE wird anhand von realen Anwendungsfällen aus der Praxis intelligenter Logistiksysteme untersucht, wie durch Reinforcement Learning komplexe Steuerungsprobleme gelöst werden können.
Zum Training von KI-Algorithmen braucht es viele Daten. Gerade Rohdaten enthalten jedoch oftmals heikle Informationen. Homomorphe Verschlüsselung bietet hier die Lösung, um sicheres Machine Learning – mit geschützten sensiblen Daten – zu ermöglichen.
Erneuerbare Energien, wie die Wasserkraft, bilden eine wichtige Stütze für eine klimafreundliche Zukunft. Um eine bessere Echtzeitüberwachung und damit Instandhaltung von Wasserkraft-Infrastruktur zu ermöglichen, werden in diesem Projekt innovative digitale Wasserkraft-Zwillinge entwickelt.
Das Projekt Rail4Future arbeitet an der Gestaltung eines digitalen Bahnsystems der Zukunft. Dafür wird eine neuartige und vollständig virtuelle Validierungsplattform für großskalige Simulationen ganzer Bahnstrecken zur Effizienzsteigerung der bestehenden Schieneninfrastruktur entwickelt.
Das Forschungsziel des Projekts Ingress besteht darin, die Prozesse von Data Scientists, die mit Industrie 4.0- und IoT-Daten arbeiten, zu beschleunigen, indem eine engere Integration der visuellen Analyse in bestehenden Arbeitsabläufe ermöglicht wird.
Das RAILING-Projekt beschäftigt sich mit der Erforschung und Entwicklung von interaktiven, skalierbaren und vertrauensschaffenden Visualisierungs- und Analysewerkzeugen für die Exploration von zeitabhängigen und komplexen Daten.
Businesses go smart with Data Science: mit Hilfe visueller Datenanalyse, maschinellem Lernen, Deep Learning, Data Mining und visueller Datenverarbeitung helfen wir Unternehmen das Potenzial ihrer Daten voll auszuschöpfen.
Ziel des angewandten Forschungsprojekts En2VA ist es, die Effizienz und die Qualität der fortgeschrittenen Analytik für hochdimensionale Daten aus Fertigung, Technik und dem Energiesektor zu erhöhen.
Um die Qualitätskontrolle und Qualitätssicherung von Glasartikeln zu automatisieren, entwickeln wir in diesem Projekt neue Methoden aus dem Bereich der visuellen Analytik und des maschinellen Lernens.
MINERVA ist ein integriertes Framework für die Planetenforschung, das es Wissenschaftlerinnen und Wissenschaftlern aus verschiedenen Teams ermöglicht, in virtuellen Arbeitsbereichen zusammenzuarbeiten.
Neuartige visuelle Analysetechnologien für hochdimensionale Daten im Automobilbau, in der industriellen Fertigung und im Energiesektor.
DEXHELPP entwickelt neue Methoden zur Unterstützung der Analyse, Planung und Steuerung im Gesundheitswesen durch die Kombination von Entscheidungsanalyse, Datensicherheit, Datenmanagement, Statistik, mathematischer Modellierung, Simulation und visueller Analyse.