Daten

Der Forschungsbereich beschäftigt sich mit der Auswertung von Daten mittels „Data Science“ und verwandten Methoden aus den Bereichen künstliche Intelligenz und maschinelles Lernen. Die auf dieser Basis gewonnenen Erkenntnisse können in die Verbesserung und Neugestaltung von Prozessen, Dienstleistungen und Produkten einfliessen.

Dies verlangt einerseits ein vertieftes technisches und algorithmisches Verständnis in sich schnell entwickelnden Bereichen, wie z. B. künstliche Intelligenz, und andererseits die Fähigkeit, rasch relevante Herausforderungen in verschiedene Branchen und Organisationen zu identifizieren und zu verstehen.

Es ergeben sich folgende Kernfragen:

• Wie können Daten genutzt werden, um ein spezifisches Problem zu adressieren?
• Wie können Fortschritte im Feld Machine Learning und Data Science in der Praxis angewendet und implementiert werden?
• Wie können wir die Ergebnisse von «Black-Box»-Methoden verstehen?
• Welche Implikationen haben Big Data und künstliche Intelligenz für Governance, Fähigkeiten von Mitarbeitern und Mensch-Maschine-Interaktion aus einer technischen Perspektive?

Ausgewählte Projekte

Large-Scale Pattern Mining: Datenmuster finden und analysieren

Ziel des Projekts in Kooperation mit einem Industriepartner ist die Weiterentwicklung von neuen intelligenten Analysefunktionen aus dem Gebiet des maschinellen Lernens. Unternehmen arbeiten heute in einem komplexen Umfeld, in dem eine Vielzahl von Faktoren aufeinander einwirken, deren Zusammenhänge sich in gesammelten Daten widerspiegeln. Unternehmensentscheide basieren auf einem tiefen Verständnis solcher Datenmuster im jeweiligen Geschäftsbereich. Ein anschauliches Beispiel stellt die Analyse von Supermarkteinkäufen dar. Die Suche nach Mustern gestaltet sich zumeist als rechenintensiv und komplex und deren Auswertung als kostenintensiv. Nicht zuletzt sollte der Aufwand des Interpretierens von Mustern für den Datenanalysten minimiert werden. Die Forschung hat hierfür eine Reihe von Lösungen bereitgestellt, welche für den kommerziellen Einsatz geeignet scheinen. Das Projekt beabsichtigt, verschiedene dieser Lösungen zu bewerten und in neue Produkte des Unternehmenspartners zu integrieren. 

Personalized Explanations

Ziel dieses Projekts war die Suche nach personalisierten Erklärungen und die Verbesserung sowie Effizienzsteigerung an der Schnittstelle zwischen Menschen und KI(Künstliche Intelligenz)-Systemen. Black-Box-Modelle, wie beispielsweise modernste Modelle für das sogenannte Deep Learning, sind an sich schwer zu verstehen. Die Personalisierung von Erklärungen an die Bedürfnisse und Fähigkeiten eines Benutzers, z.B. durch Anpassung der Komplexität, sind eine Möglichkeit, um das Verständnis zu erleichtern. Im Rahmen dieses Projekts haben wir auch untersucht, wie Fehler bei der Interpretation menschlicher Eingaben durch ein KI-System reduziert werden können. Dabei haben wir uns nicht nur auf die Verbesserung des KI-Systems konzentriert sondern auch eine sogenannte „Co-Anpassung“ vorgenommen, in derer Menschen beigebracht wird, wie sie mit KI-Systemen interagieren müssen.

Ausgewählte Publikationen

Schneider, J., & Vlachos, M. (2017). Scalable density-based clustering with quality guarantees using random projections. Data Mining and Knowledge Discovery, 31(4), 972-1005.

Damevski, K., Shepherd, D. C., Schneider, J., & Pollock, L. (2016). Mining sequences of developer interactions in visual studio for usage smells. IEEE Transactions on Software Engineering, 43(4), 359-371.

Schneider, J. (2020, April). Human-to-AI Coach: Improving Human Inputs to AI Systems. In International Symposium on Intelligent Data Analysis (pp. 431-443). Springer, Cham.

Vlachos, M., Schneider, J., & Vassiliadis, V. G. (2015). On data publishing with clustering preservation. ACM Transactions on Knowledge Discovery from Data (TKDD), 9(3), 1-30.

Abraham, R., Schneider, J., & vom Brocke, J. (2019). Data governance: A conceptual framework, structured review, and research agenda. International Journal of Information Management, 49, 424-438.

Fusco, F., Vlachos, M., Vasileiadis, V., Wardatzky, K., & Schneider, J. (2019). RecoNet: An Interpretable Neural Architecture for Recommender Systems. In International Joint Conferences on Artificial Intelligence (IJCAI) (pp. 2343-2349).

Barenboim, L., Elkin, M., Pettie, S., & Schneider, J. (2016). The locality of distributed symmetry breaking. Journal of the ACM (JACM), 63(3), 1-45.

Schneider, J., & Handali, J. (2019). Personalized explanation in machine learning: A conceptualization. European Conference of Information Systems. 

Universität Liechtenstein
Dr. Johannes Schneider
Fürst-Franz-Josef-Strasse
9490 Vaduz
Liechtenstein

Telefon +423 265 13 23
Fax +423 265 11 12
johannes.schneider@uni.li