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
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 Plattform für die Integration, das Management und die Exploration von räumlichen Gehirndaten, entwickelt.
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.
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.
Um das Leben der Menschen ökonomisch, ökologisch und sozial zukunftsfähig zu machen, unterstützen VRVis-Entwicklungen schon 10 der 17 Sustainable Development Goals. Dafür sind wir aktuell für den Austrian SDG-Award nominiert.
Am 3. März 2020 wurde Katja Bühler, Leiterin unserer Biomedical Image Informatics-Gruppe, mit dem renommierten TU-Frauenpreis ausgezeichnet.
Unsere Forscherinnen Johanna Schmidt und Sophia Ulonska sind für den Hedy Lamarr-Preis der Stadt Wien nominiert.
VRVis wird mit dem CGI Best Short Paper Award 2019 ausgezeichnet!
Das webbasierte Tool "neuroMAP" des VRVis und IMP erhielt die Best Paper-Auszeichnung der IEEE BioVis 2013.
Das Projekt HEROD setzt auf eine Kombination von Sensortechnologien, Datenanalyse, Ontologien und Visual Computing, um die Vorhersagbarkeit und Qualitätssicherheit im 3D-Druck zu verbessern.
In diesem WWTF-geförderten Projekt erarbeitet das VRVis eine Roadmap für die reale Umsetzung des Digitalen Humanismus auf Basis der Schlüsseltechnologie Visual Computing.
Im European Digital Innovation Hub "AI5production" haben sich 17 renommierte Wissenschaftsinstitutionen zusammengeschlossen, um produzierende Unternehmen durch KI-Technologie auf ihrem Digitalisierungsweg zu unterstützen.
Das Ziel des Anwendungsprojekts IVC Multi ist die Erforschung neuartiger intelligenter Visual Computing-Methoden zur Unterstützung der Entscheidungsfindung in der Automobilindustrie, der Medizin und den Biowissenschaften auf Basis von Ensembles heterogener, multiskaliger und/oder multitemporaler Daten.
Das strategische Projekt IVC Complex ist der Dreh- und Angelpunkt für die Realisierung des flächendeckenden intelligenten Visual Computing-Ansatzes für Analytik und Modellierung auf der Basis von Ensembles aus dichten rasterbasierten Daten, abgeleiteten Daten und digitaler Einbettung.
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.
Im Projekt Larvalbrain 2.0 soll durch die Integration von Daten über strukturelle, molekulare, physiologische und verhaltensbedingte Ergebnisse von Drosophila-Melanogaster-Larven ein dynamischer, mehrstufiger Gehirnatlas etabliert werden.
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.
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.
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.
Die Kombination von "Liquid Biopsies", maschinellen Lernverfahren und Datenvisualisierung soll eine frühere und genauere Vorhersage eines Rückfalls bei Kindern mit einer Krebserkrankung ermöglichen.
Das strategische Projekt bildet das Forschungsgruppen-übergreifende organisatorische und wissenschaftliche Zentrum für die Realisierung eines Integrative Visual Computing-Ansatzes.
Seit Jahrhunderten kartografieren die Neurowissenschaften das Gehirn. Bisher erwies sich der Schritt von einfachen Karten zu einem allgemein akzeptierten Modell als äußerst schwierig. In diesem Projekt wird ein 4D-Atlas des Gehirns der Fruchtfliegenlarve gebaut.
VRVis steuert Datenanalyse- und Visualisierungstools bei, die auf die Unterstützung und Beschleunigung der Forschung des Instituts für Molekulare Pathologie Wien zugeschnitten sind.