Datenqualität und Datenintegration

Wir entwickeln generische Ansätze für eine weitgehend automatisierte Datenbereinigung und Datenintegration, insbesondere für die Erstellung und Pflege großer Wissensgraphen. Darüber hinaus konzipieren wir aktive Lerntechniken zur Generierung großer gelabelter Trainingsdatensätze und entwickeln Ansätze zur Nutzung großer Datenbestände für Künstliche Intelligenz und Maschinelles Lernen.

Erstellung von Wissensgraphen

Wir untersuchen die weitgehend automatische und lernbasierte Generierung und Pflege von domänenspezifischen Wissensgraphen (WG), z.B. für die Präzisionsmedizin und betriebswirtschaftliche Anwendungen. Dies erfordert (lernbasierte) Ansätze zur Datenaufbereitung und -bereinigung sowie zur Integration. Insbesondere werden Methoden benötigt, um die Art neuer Entitäten zu identifizieren, ihre Attribute mit den Attributen im WG abzugleichen, neue Entitäten mit bestehenden Entitäten abzugleichen und zu fusionieren und neue Beziehungen zwischen Entitäten im WG zu lernen. Ein weiterer Schwerpunkt ist die Integration von Multimodelldaten wie Zeitreihen, Bilder und Graphdaten, die eine Anpassung der Integrations-, Speicher- und Verarbeitungskonzepte erfordern.

Unterstützung der Generierung markierter Trainingsdaten

Die Beschaffung von Kennzeichnungen für umfangreiche Trainingsdaten ist eine kostspielige Aufgabe und erfordert oft Fachexperten. Wir untersuchen neuartige Active Learning (AL) Abfragestrategien, die AL als ein Lernproblem kodieren. Um die AL-Abfragestrategie zu trainieren, untersuchen wir Verstärkungs- und Nachahmungslernen. Auf der Grundlage der daraus resultierenden AL-Strategie planen wir die Entwicklung einer End-to-End-Plattform zur Erstellung hochwertiger Datenetiketten für verschiedene Formate wie Text, Code, Formeln, Bilder und mehr.

Auflösung der Entität

Am ScaDS.AI Dresden/Leipzig legen wir besonderes Augenmerk auf die skalierbare Entitätsauflösung. Das beinhaltet die Identifizierung übereinstimmender Datensätze, die dieselbe reale Entität (z.B. Kunde oder Produkt) beschreiben. Dies stellt einen der wichtigsten Schritte innerhalb des Datenbereinigungs- und Integrationsprozesses dar. Für die parallele Auflösung von Entitäten aus mehreren Quellen wurde das Open-Source-System FAMER entwickelt, das preisgekrönte Clustering-Techniken enthält. Es fasst alle Übereinstimmungen zusammen und unterstützt auch inkrementelles Clustering und Cluster-Reparaturmethoden.

Schema-Abgleich

Wir untersuchen den halbautomatischen Abgleich von Schemata, insbesondere aus vielen Quellen. In diesem Zusammenhang werden lernbasierte Ansätze wie LEAPME entwickelt. In AMPLE wird auch Reinforcement Learning eingesetzt, um qualitativ hochwertige Übereinstimmungen zu finden.