Multimodale Analysen kombinieren einzelne Forschungszweige, um komplexere Zusammenhänge zu erkennen. Interdisziplinäre Methoden ermöglichen effizientere und flexiblere Lösungen für komplexe Probleme.
Das DSAI-Team bietet Fachwissen in den Bereichen Datenwissenschaft und künstliche Intelligenz für eine Vielzahl von Modalitäten (d. h. Text-, Audio-, Zeitserien- und Geodaten) sowie multimodale Anwendungen, die diese Modalitäten kombinieren. Multimodale Forschungsaufgaben erfordern eine koordinierte Zusammenarbeit und interdisziplinäre Kommunikation. Jedes Forschungsthema wird von einem leitenden Wissenschaftler oder einem leitenden Ingenieur innerhalb des DSAI-Teams geleitet.
Language Analytics
Language Analytics konzentriert sich auf Ansätze zur Gewinnung von Erkenntnissen aus der menschlichen Kommunikation und verfolgt dabei einen medienübergreifenden Ansatz zur Anwendung von Audioanalyse, natürlicher Sprachverarbeitung und Large Language Models (LLMs). DSAI ist ein führender Experte in den Bereichen Fake News, Erkennung von Desinformationskampagnen, Monitoring und Audioanalyse in Österreich. Das Team wendet lokale LLMs zur Informationsextraktion, Zusammenfassung und zur halbautomatischen Erstellung von Wissensgraphen an. Lesen Sie mehr
Graph Analytics
Graph Analytics befasst sich mit der Anwendung der multimodalen Graphenanalyse auf Transaktionen und Interaktionen sowohl im virtuellen als auch im räumlichen Bereich (z. B. Transaktionsnetzwerke im elektronischen Handel sowie Interaktionen in räumlichen Netzwerken). DSAI bietet führende Expertise in der raum-zeitlichen Analyse, wie z.B. der Analyse von Trajektorien aus einer Vielzahl von Tracking-Systemen, einschließlich GPS, Mobilfunk und Video, sowie in der Kryptoasset-Forensik, z.B. durch die Bereitstellung von Lösungen zur Erkennung von Anomalien für die maritime Sicherheit. Lesen Sie mehr
Industrial Analytics
Industrielle Analytik befasst sich mit der Anwendung künstlicher Intelligenz in Industrie- und Produktionsumgebungen, die sich mit vorausschauender Wartung, der Erkennung von Anomalien, Cybersicherheit (AI4SEC) und mehr befassen. Dazu gehören überwachte Ansätze des maschinellen Lernens, um z. B. Lösungen für die vorausschauende Wartung bereitzustellen, die Daten von verschiedenen Sensoren und Wartungsaufzeichnungen nutzen, um z. B. Ausfälle von Anlagen vorherzusagen, sowie nicht überwachte Ansätze, die auf der Erkennung von Anomalien in Zeitreihen und Netzwerkdaten basieren. Lesen Sie mehr
Environmental Analytics
Die Umweltanalytik nutzt Daten und Analysemethoden, um ein tieferes Verständnis von Umweltfragen zu erlangen und die Nachhaltigkeitsziele im Rahmen des europäischen Green Deal zu erreichen. Der wissenschaftliche Schwerpunkt liegt auf der Entwicklung innovativer Sensorfusionsmethoden, um verschiedene Arten von Sensoren und Modalitäten zu integrieren, und auf der Kombination von modell- und datengesteuerten Aspekten durch den Einsatz eines physikalisch informierten maschinellen Lernansatzes zur Erstellung von Vorhersagen. Lesen Sie mehr
Knowledge Management
Im Bereich Knowledge Management entwickelt das AIT Center Methoden zur effizienten Erschließung und Nutzung großer, heterogener Datenbestände. Die Arbeiten bauen auf mehr als zwei Jahrzehnten Forschung rund um die Bereitstellung des Zugangs zu digitalen Kulturgütern auf Grundlage der sogenannten FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable) auf, unter anderem in Zusammenarbeit mit dem europäischen Kulturerbe-Portal Europeana.
Der Fokus liegt auf der multimodalen Informationsgewinnung, bei der unterschiedliche Datenformen – etwa Text, Bild oder strukturierte Daten – gemeinsam analysiert und miteinander verknüpft werden. Durch crossmodale Suchverfahren (z.B. Text-zu-Bild oder Bild-zu-Text) sowie nutzerfreundliche Ergebnisdarstellungen können relevante Informationen in großen Datenbeständen effizient gefunden und in kuratierten Datensammlungen aufbereitet werden. Zum Einsatz kommen semantische und einbettungsbasierte Indizierungsmethoden sowie Large Language Models, die natürliche Sprachabfragen über heterogene Datenquellen ermöglichen. Das Ziel ist es, bestehende Informationsbestände in reichhaltige semantische Strukturen wie etwa Wissensgraphen zu überführen und so ihre Nutzung für Analyse und Forschung sowie Entscheidungsprozesse nachhaltig zu verbessern. Lesen Sie mehr
