Hochdimensionale zeitbasierte Daten
Hochdimensionale zeitbasierte Daten, wie sie etwa in Internet-of-Things (IoT) und Industry 4.0 Anwendungen 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.
Immersive Analytics
Im Bereich der Immersive Analytics beschäftigen wir uns damit, wie wir Analyseprozesse weiterdenken und vom herkömmlichen Desktop-Computer lösen können. Um effizientere Brücken zwischen der Userin und dem User und den 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?
Web- und cloudbasierte Lösungen
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 die Benutzerinnen und Benutzer sind solche Lösungen angenehm: Alles liegt an einem Ort und ist bestenfalls durch einen Webbrowser (der immer verfügbar ist) zugänglich. Wir schaffen reale Lösungen für die Industrie und optimieren Netzwerk-Traffic oder forschen an besonders benutzerfreundlichen Interaktionssystemen.
Vertrauenswürdige Visualisierungen
Um verschiedene Problemstellungen adäquat bearbeiten zu können, forschen wir am VRVis an unterschiedlichen visuellen Methoden, die in vorhandene Visual Analytics-Tools integriert werden können. Indem wir Visual Analytics mit statistischen Kontrollmechanismen ausstatten, tragen wir dazu bei, "vertrauenswürdige" Visualisierungen zu gestalten.
Visual Analytics für Ensemble Simulationen
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
Visuelle Parameterraum-Analysen haben große Bedeutung bei der Arbeit mit Simulationsmodellen, da dort eine große Menge an verfügbaren Input- und Outputdaten in all ihrer Komplexität verständlich gemacht werden müssen. Am VRVis entwickeln wir 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.
Visuell-analytische Methoden zur Erforschung großer Datenmengen
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.
Visual Analytics von Klimadaten
Die Rolle von Visual Analytics in der Analyse von Klima- und Wetterdaten wird in Zukunft eine noch größere sein, da nur so die komplexen Zusammenhänge in ihrer Gesamtheit erfasst werden und für bessere Klimawandelanpassungslösungen genutzt werden können. Das VRVis hat mehrere, auf Klima- und Umweltdaten spezialisierte ExpertInnen, die beispielsweise mit Zeitreihen von typischen meteorologischen Jahren (Typical Meterological Year – TMY) arbeiten oder visuelle Cockpits für die Leistungsbeurteilung von Biosolartechnologie entwickeln.
Mehr zu unseren Publikationen im Bereich Klimawandelanpassung
Visual Analytics für große Mengen an Energiedaten
Österreich setzt seit vielen Jahr stark auf die Wasserkraft und nutzt erneuerbare Energien für eine klimafreundliche Zukunft. Einige Wasserkraftanlagen sind Bauwerke älteren Semesters und benötigen eine Nachrüstung mit modernen Messsensoren und Datenanalyse, um so den digitalen Wasserkraft-Zwilling zu erstellen. Visual Analytics und intuitive Visualisierungs-Dashboards machen eine Echtzeitüberwachung und bessere Instandhaltung möglich.
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. Diese 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 Visual Analytics und Data Science für das Gesundheitssystem und die medizinische Forschung + VISIOMICS) und umfangreiche Data Management-, Data Mining- und Visual Analytics-Lösungen für die Neurowissenschaften, die zum Teil weltweit im Einsatz sind (Neuroscience - Visual Computing, Data Science und Big Data sowie Brain*).
Auf dem Weg zu nachhaltigen, klimaneutralen Städten entwickelt das EU-Projekt GREENGAGE innovative Technologielösungen, für bessere Bevölkerungsbeteiligung bei den Themen Mobilität, Luftqualität und gesundes Leben.
Das Projekt REINFORCE erforscht, wie mithilfe von Reinforcement Learning und menschzentrierte Visualisierungsmethoden komplexe Steuerungsprobleme effizient, schnell und flexibel 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.
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.