Data Science/Daten-basierte KI

Zielsetzung und Forschungsschwerpunkte

Im Themenfeld Data Science/Daten-basierte KI geht es darum, aus strukturierten und unstrukturierten Daten Wissen zu gewinnen und so aufzubereiten, mit menschlichem Wissen anzureichern und zu verknüpfen, dass Geschäftsprozesse durch eine optimale Zusammenarbeit von Mensch und KI effizienter und effektiver gestaltet werden können. Dabei setzen wir darauf, klassische Verfahren aus dem Bereich Data Science (insbesondere Verfahren des maschinellen Lernens) mit den beiden Aspekten «Business» und «Human» zu verbinden.

«Human»

Dabei ist das Ziel zunächst, dass die genannten Verfahren so angewendet werden, dass ihre Vorhersagen und zugrundeliegenden Muster erklärbar und für Menschen interpretierbar werden. Hierfür ist die Verknüpfung mit wissensbasierten Systemen wichtig, z.B. durch das Erlernen von Regeln (Trojan et al., 2024). Darüber hinaus untersuchen wir Möglichkeiten, mit denen Fachleute ihr Wissen interaktiv in die Modelle einbringen können (Lochbrunner & Witschel, 2022; Trojan et al., 2024).

«Business»

Ferner untersuchen wir, wie die so erlernten und durch Menschen weiterentwickelten Modelle bestmöglich in Arbeits- und Geschäftsprozesse integriert und in der Anwendung mit menschlichem Wissen kombiniert werden können. Hier beschäftigen uns auch Fragen des Wissensmanagements – im Zeitalter der KI. Beispielsweise arbeiten wir an KI-basierten Recommender-Systemen (Pande et al., 2022; Spahic-Bogdanovic et al., 2025). Auch hier spielt wieder die intuitive Interaktion zwischen Mensch und KI eine grosse Rolle, für die wir symbolische Repräsentationen in Kombination mit innovativen Explorationsmechanismen verwenden (Witschel et al., 2020, 2021).

Referenzen

• Lochbrunner, M., & Witschel, H. F. (2022). Combining Machine Learning with Human Knowledge for Delivery Time Estimations. Proceedings of the AAAI 2022 Spring Symposium on Machine Learning and Knowledge Engineering for Hybrid Intelligence (AAAI-MAKE 2022) Stanford University, Palo Alto, California, USA, 2022.
• Pande, C., Witschel, H. F., & Martin, A. (2022). New Hybrid Techniques for Business Recommender Systems. Applied Sciences, 12(10), 4804.
• Spahic-Bogdanovic, M., Witschel, H. F., Porumboiu, D., Rosati, P., Hierro Canchari, P. J. P., & Kostic, M. (2025). iModuleBuddy – A Hybrid AI-Based Academic Planning System. 3rd International Workshop on Hybrid Artificial Intelligence and Enterprise Modelling for Intelligent Information Systems (HybridAIMS).
• Trojan, A., Laurenzi, E., Jüngling, S., Roth, S., Kiessling, M., Atassi, Z., Kadvany, Y., Mannhart, M., Jackisch, C., Kullak-Ublick, G., & Witschel, H. F. (2024). Towards an early warning system for monitoring of cancer patients using hybrid interactive machine learning. Frontiers in Digital Health, 6. https://doi.org/10.3389/FDGTH.2024.1443987
• Witschel, H. F., Riesen, K., & Grether, L. (2020). KvGR: A Graph-Based Interface for Explorative Sequential Question Answering on Heterogeneous Information Sources. In J. M. Jose, E. Yilmaz, J. Magalhães, P. Castells, N. Ferro, M. J. Silva, & F. Martins (Eds.), Proceedings of European Conference on Information Retrieval (ECIR) (pp. 760–773). Springer International Publishing.
• Witschel, H. F., Riesen, K., & Grether, L. (2021). Natural Language-Based User Guidance for Knowledge Graph Exploration: a User Study. 13th International Conference on Knowledge Discovery and Information Retrieval (KDIR, to Be Published).