Das noch recht junge Forschungsfeld Visual Analytics schafft visuelle Lösungen für datenbasierte Fragestellungen. Wir konzentrieren uns dabei vor allem auf eines der wichtigen Zukunftsthemen in diesem Bereich: Wie wir sehr große Daten bestmöglich visuell darstellen können, um sie analysier- und weiterverwertbar zu machen. Dies ist für viele Forschungs- wie Anwendungsfelder von enormer Relevanz, wodurch auch unsere Forschungsarbeit weitgefächert ist: So arbeiten wir an effektiven Lösungen für die Analyse von hochdimensionalen zeitbasierten sowie extrem großer Daten ebenso wie am Abbau der letzten Barrieren zwischen User und Daten mittels Immersive Analytics. Wir forschen sowohl nach Optimierungs- und Ausbaumöglichkeiten von web- und cloudbasierten Lösungen für visuelle Analysen als auch in den Feldern Visual Analytics für Ensemble-Simulationen und der visuellen Parameterraum-Analysen. Darüber hinaus entwickeln wir Methoden, um Visual Analytics mit sinnvollen statistischen Kontrollmechanismen auszustatten und dadurch Visualisierungen "vertrauenswürdiger" zu machen.
Hochdimensionale zeitbasierte Daten, wie sie etwa im Internet-of-Things (IoT) Bereich entstehen, stellen die Forschung durch ihre schiere Menge und Größe vor viele Herausforderungen. Wir entwickeln neue Visualisierungstechniken bzw. machen bereits existierende effektiver, um diese Daten sicht- und lesbar zu machen.
Im Bereich der Immersive Analytics beschäftigen wir uns damit, wie wir Analyseprozesse weiterdenken und vom herkömmlichen Desktop-Computer lösen können. Um effizientere Brücken zwischen dem User und seinen Daten zu schlagen, stellen wir uns vor allem technische Fragen: Auf welche Arten können Daten dargestellt werden? Wie kann Interaktion mit Daten jenseits von Tastatur und Computermaus noch funktionieren und für welche Anwendungszwecke macht das Sinn?
Da in der Industrie immer mehr Daten anfallen, die auch häufiger zentralisiert gespeichert werden, nimmt die Bedeutung an web- und cloudbasierte Lösungen weiter zu. Auch für Userinnen und User sind solche Lösungen angenehm: alles liegt an einem Ort und ist bestenfalls durch intuitive Interfaces zugänglich. Wir schaffen reale Lösungen für die Industrie und optimieren Netzwerk-Traffic oder forschen an besonders benutzerfreundlichen Interaktionssystemen.
Dass Daten nicht gleich Daten sind, ist ein weiteres Thema, das uns im Bereich der Visual Analytics stark beschäftigt. Denn nicht alle Ergebnisse, die durch visuelle Analysen sichtbar gemacht werden, sind auch statistisch sinnvolle Daten. Um diesem Problem zu begegnen, forschen wir nach innovativen visuellen Methoden, die in vorhandene Visual Analytics-Tools implementiert die Relevanz von Daten prüfen. Indem wir Visual Analytics mit statistischen Kontrollmechanismen ausstatten, können wir auch dazu beitragen, "vertrauenswürdige" Visualisierungen zu machen.
Bereits seit 2005 beschäftigen wir uns intensiv mit zukunftsweisenden Anwendungsmöglichkeiten von Visual Analytics für Ensemble Simulationen. Im Rahmen der Zusammenarbeit mit unserem Industriepartner AVL konnten wir dabei innovative Visualisierungsmethoden und völlig neuartige explorative Analysemethoden für Simulationsergebnisse in der Automobilbranche entwickeln, welche auch auf andere Branchen und Forschungsfelder, die mit einer großen Anzahl an Daten und Parametern arbeiten, übersetzt werden können.
Visuelle Parameterraum-Analysen haben große Bedeutung bei der Arbeit mit Simulationsmodellen, da dort eine enorme Menge an verfügbaren Input- und Outputdaten in all ihrer Komplexität verständlich gemacht werden müssen. Wir entwickeln hier Tools, um durch und mit diesen Analysen Simulationsabläufe zu beschleunigen: z.B. indem die visuelle Analyse der jeweiligen Parameter schon im Vorhinein über die Sinnhaftigkeit oder den Erfolg des Simulationsergebnisses Aufschluss gibt.
Moderne Bildgebungsverfahren helfen dabei, biologische Vorgänge anhand gewaltiger Datenmengen besser zu verstehen. Visuell-analytische Methoden zur Erforschung großer Datenmengen können in den Life Sciences deshalb dabei unterstützen, das Verständnis der Daten zu verbessern und Analyse-Workflows zu optimieren. Dabei kümmern wir uns nicht nur um die Gestaltung von Anwendungen, die eine möglichst effektive Beantwortung von wissenschaftlichen Fragestellungen erlaubt, sondern auch um die dazugehörige Datenaufbereitung, statistische Analysen und Indizierung sowie die Entwicklung performanter Datenstrukturen.
Entscheidungsbäume zu designen, erfordert sowohl Domainwissen als auch Wissen über den Zweck des Modells, weshalb dieser Prozess nur sehr schwer automatisiert werden kann. TreePOD verfolgt hier erfolgreich einen neuen Ansatz und generiert mehrere Entscheidungsbaumkandidaten automatisch mit verschiedenen Parametereinstellungen, wodurch der passendste Entscheidungsbaum ausgewählt werden kann. TreePOD ist für eine Vielzahl von Aufgaben einsetzbar und kann außerdem in bestehende Workflows zur Erstellung und Auswahl von Entscheidungsbäumen integriert werden. Hier geht es zu einem Video über TreePOD.
WeightLifter ist eine neuartige, interaktive Visualisierungstechnik, die die Exploration von Gewichtungsräumen mit bis zu zehn Kriterien erleichtert. Unsere Technik ermöglicht es, die Sensitivität einer Entscheidung gegenüber Änderungen der Gewichte besser zu verstehen, effizient die Gewichtsbereiche zu lokalisieren, in denen eine bestimmte Lösung einen hohen Rang einnimmt, und Lösungen herauszufiltern, die für eine plausible Kombination von Gewichten nicht hoch genug eingestuft sind. Hier geht es zu einem Video über Weightlifter.
In unserer Forschungsarbeit im Rahmen der Projekte HILITE und Sharc entwickeln wir Werkzeuge und Methoden, die Simulations-Abläufe für interaktives Lichtdesign optimieren. Da dabei die Verarbeitung enormer Datenmengen unterschiedlichsten Ursprungs – Qualität der Lichtquellen, Winkel, räumliche Situation etc. – berücksichtigt werden müssen, nützen wir Prinzipien der visuellen Parameterraum-Analyse, um einerseits den Workflow massiv zu beschleunigen sowie andererseits automatisch generierte Verbesserungsvorschläge von Beleuchtungssituationen zu berechnen. Solche Forschungsprojekte betonen die Notwendigkeit des Zusammenspiels zwischen räumlichen und abstrakten Datenwelten, um solche und ähnliche Analysen überhaupt erst zu ermöglichen.
Wir setzen Visual Analytics-Methoden erfolgreich ein, um Ärztinnen und Ärzten bzw. Wissenschaftlerinnen und Wissenschaftler zu helfen, komplexe, heterogene Daten in der Medizin und den Life Sciences zu explorieren. Diese Daten stammen z.B. aus Studien zu Patientenkohorten und -beobachtungen, Verhaltensdaten aus Tierexperimenten, Gendaten, aber beispielsweise auch aus großen Sammlungen räumlicher Mess-, Bild- und Netzwerkdaten zum Gehirn. Unsere Visual Analytics-Lösungen helfen, wenn erste Hypothesen auf Basis großer Datenmengen entwickelt werden sollen, aber auch, wenn nicht genug Daten vorhanden sind, um aussagekräftige statistische Resultate und Modelle zu entwickeln. Beispiele für unsere Arbeit sind z.B. ein Visual Analytics-Framework, das die Suche nach Biomarkern für sehr seltene Krebserkrankungen bei Kindern unterstützt (siehe auch: Visual Analytics und Data Science für das Gesundheitssystem und die medizinische Forschung sowie unser Forschungsprojekt VISIOMICS) und umfangreiche Data Management-, Data Mining- und Visual Analytics-Lösungen für die Neurowissenschaften, die zum Teil weltweit im Einsatz sind (siehe auch Neuroscience - Visual Computing, Data Science und Big Data sowie Brain*).
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 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.
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 Daten aus Simulationen und Messungen im Automobilbereich voll auszuschöpfen, kombinieren wir interaktive und automatische Visual Computing-Methoden, um intuitive, effiziente und effektive Lösungen zu finden, die in der täglichen Routine von Ingenieurinnen und Ingenieuren anwendbar sind.
Neuartige visuelle Analysetechnologien für hochdimensionale Daten im Automobilbau, in der industriellen Fertigung und im Energiesektor.
Eine nahtlose visuelle Analyse von Daten mit 3D-Geometrie, relationalen Informationen und multivariaten Attributen.
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.
Visuelle Analytik für Modellierung und Simulation: Verbesserung von Simulationsaufbau und Entwurfsszenarien mit Werkzeugen und Methoden der Visual Analytics.