Logo von VRVis Logo von VRVis

Forschungsthemen

Data Science

Das gemeinsame Ziel der Forschung in der Datenwissenschaft (Data Science) ist es, Wissen zu extrahieren, Erkenntnisse zu gewinnen und Probleme mit Hilfe von Daten zu lösen. Data Science-Systeme basieren auf Modellen und Algorithmen, die erstellt werden, um wertvolle Muster in den Daten zu erkennen und dadurch ihre Vorhersagekraft auszunützen. Am VRVis nähern wir uns den Daten empirisch an und erforschen sie mit modernster Kompetenz zum Zweck der praktischen Anwendung in Wissenschaft, Industrie oder Technik.

Forschungsschwerpunkte

Grafische Darstellung des Data-Science-Kreislaufs

Von der Daten-Aufbereitung bis zur Auswertung – am VRVis sind wir mit der Data Science-Pipeline* vertraut und forschen an neuen Methoden und Anwendungen, welche diese Pipeline optimal ergänzen.

  • Discover: Zuerst müssen die richtigen Daten gefunden werden. Das ist oft nicht einfach, da Daten in vielen Organisationen in verschiedenen Datenbanken und Repositories abgelegt werden. Außerdem müssen die ausgewählten Daten zu der Anfangsfragestellung passen.

  • Wrangle: Zerlegen und analysieren Sie die Daten, um diese ins richtige Format zu bringen. Der “Wrangle”-Schritt ist zugleich der unangenehmste, aber auch zeitintenivste Schritt. In diesem Schritt müssen die Daten in ein Format gebracht werden, so dass weiter mit ihnen gearbeitet werden. Dann inkludiert das Parsen der Daten, den Umgang mit verschiedenen Datenformaten, die Behandlung von fehlenden und fehlerhaften Daten, und die Verschneidung von unterschiedlichen Datenquellen.

  • Profile: Erforschen Sie die Daten, finden Sie interessante Muster und Merkmale mit Hilfe von interaktiven Visualisierungswerkzeugen. In diesem Schritt geht es darum, die Daten besser kennenzulernen, ihre Struktur zu analyiseren, und versteckte Muster zu finden – die Paradisziplin der Visual Analytics, der interaktiven, visuellen Darstellung von Daten. Mit unseren Visual Analytics Tool können wir hier optimal aushelfen, um Benutzerinnen und Benutzern einen umfangreichen Einblick in komplexe Daten zu ermöglichen.

  • Model: Erstellen Sie eine abstrakte Darstellung (ein Modell) der Daten - das kann ein KI-Modell sein, aber auch eine einfachere Darstellung wie eine Kategorisierung, Clustering, Regression. Modelle der Daten verraten uns mehr über die Struktur der Daten und erlauben es uns Vorhersagen zu treffen. In unserer Künstliche Intelligenz-Forschung beschäftigen wir uns am VRVis damit, Computersystemen auf Basis von großen Mengen an Trainingsdaten durch Machine Learning bzw. Deep Learning beizubringen, sich intelligent zu verhalten, ihre Umgebung zu analysieren und eigenständig Entscheidungen zu treffen.

  • Report: Präsentieren Sie Ihre Ergebnisse, nutzen Sie dabei interaktive Dashboards. Neue Einsichten aus Daten müssen in der Regel weiterkommuniziert weren, üblicherweise an Personen die nicht von Anfang an an der Analyse beteiligt werden, und daher nicht den gleichen Einblick in die Daten. Visualisierungen sind hier von großem Vorteil, da sie einen schnellen Zugang zu Fakten und Einsichten ermöglichen.

* Siehe Data Science-Pipeline nach: Kandel, S., Paepcke, A., Hellerstein, J.M., and Heer, J. (2012). Enterprise Data Analysis and Visualization: An Interview Study. IEEE Transactions on Visualization and Computer Graphics 18(12): 2917-2926

KONTAKT

Dipl.-Math.in Dr.in Katja Bühler

science(at)vrvis.at+43 1 908 98 92

Referenzprojekte, Anwendungen und Publikationen

Screenshot der Brain*-Software des VRVis, das ein graues Gehirn zeigt mit vielen farbigen neuronalen Vernetzungen.
Die Data-Science-Plattformen des VRVis schaffen es nicht nur, extrem große heterogene Daten, wie sie in Life Sciences und Medizin anfallen, einfach zu händeln, sondern ermöglicht durch die inkludierte Visualisierung bessere Verständlichkeit der Daten und Datennetzwerke.

Data Science für Medizin und Life Science

Data Science spielt in den Bereichen Medizin und Life Sciences eine wachsende Rolle. VRVis hat bereits mehrere Data Science-Projekte im Bereich der Neurowissenschaften sowie in der Medizin zur Analyse von Gesundheits- und Patientenkohortendaten erfolgreich durchgeführt, und darüber hinaus Brain*, eine weltweit eingesetzte Platform für die integration, das Management und die Exploration von räumlichen Gehirndaten, entwickelt.

Drei Menschen stehen hinter einem Laptop in einer Fabrikhalle, umgeben von Regalen mit Kabeln und anderen technischen Gegenständen
Visuell-grafisch auf die menschliche Wahrnehmung optimierte Datenanalyse-Tools sind das entscheidende Schlüsselelement, das bei Nutzerinnen und Nutzer das Vertrauen in computergestützte Data-Science- und Entscheidungsprozesse stärkt.

Visuelle Analytik für die Industrie 4.0

Als Schlüsseltechnologie im Bereich der industriellen Produktion ermöglicht Visual Analytics durch visuelle Datenanalyse die Daten rund um den Produktionsprozess zu durchschauen. Dabei sind die Stabilität und Skalierbarkeit von visuellen Analysetools entscheidende Faktoren für deren Akzeptanz als verlässliche Werkzeuge in der Industrie 4.0, wie beispielsweise in unserem Projekt INGRESS. Unsere Analyselösungen zeichnen sich durch die Fähigkeit aus, mit komplexen Daten umzugehen, sowie schnell und zuverlässig Mustersuche und Anomalie-Erkennung durchführen zu können.

Bild einer Fischwanderhilfe und eines Staudamms mit Landschaft
Der Energiesektor profitiert maßgeblich von intelligenten Visual Data Science-Lösungen, die für eine nachhaltige Nutzung und Instandhaltung etwa von Wasserkraftwerken beitragen.

Digitalisierung und Predictive Maintenance in der Wasserkraft

Wasserkraft ist ein wichtiger Teil der österreichischen erneuerbaren Energien. Viele Wasserkraftanlagen sind jedoch Bauwerke älteren Semesters. In unserem Projekt DIGI-Hydro wird ein Wasserkraftwerk mit neuen Messsensoren und moderner Datenanalyse nachgerüstet, um mithilfe von digitalen Wasserkraft-Zwillingen die Echtzeitüberwachung und bessere Instandhaltung zu erleichtern.

Publikationen

Data Science

Awards

Projekte