Kooperative Datenexploration durch Mensch und Maschine
Joint Human-Machine Data Exploration
Wissenschaftsdisziplinen
Informatik (100%)
Keywords
-
Visual Analytics,
Exploratory Data Analysis,
Interactive Machine Learning,
Interactive Visualization,
Structure Discovery
Explorative Datenanalyse zielt auf die Generierung von Wissen aus großen Datenmengen ab. Dabei geht es darum, sowohl erwartete Muster als auch unerwartete Aspekte in den Daten zu finden. Es handelt sich um einen iterativen und subjektiv gesteuerten Prozess, der in der Regel von mehreren Expert:innen durchgeführt wird, was einen gewissen Grad an Unsicherheit in den Prozess einbringt. Die explorative Datenanalyse kann daher nicht vollständig automatisiert werden. Eine rein manuelle Exploration ist ebenfalls nicht durchführbar, da sie bei den heutigen Datenmengen zu zeitaufwändig wäre. Wir schlagen eine kooperative Form der Datenexploration zwischen Mensch und Maschine als neuen Analyseansatz vor, der versucht, die jeweiligen Stärken von maschinellen Lernmethoden und menschlicher visueller Wahrnehmung und analytischer Kompetenz für die Exploration großer unstrukturierter Daten zu vereinen. In diesem Grundlagenforschungsprojekt entwickeln wir eine duale Perspektive auf die explorative Datenanalyse, die eine Brücke schlägt zwischen den unstrukturierten Rohdaten und dem wachsenden semantischen Datenverständnis der Benutzer:innen. Diese duale Perspektive erlaubt es uns, einen neuen maschinellen Lernansatz in Form eines intelligenten Agenten einzuführen. Dieser intelligente Agent versucht, das Datenverständnis der Benutzer:innen schrittweise zu erlernen, während diese die Daten untersuchen. Auf Basis dieses Datenverständnisses versucht der Agent sowohl erwartete Muster als auch unerwartete Aspekte in den Daten zu entdecken, welche für die Benutzer:innen relevant sind, um ihr Verständnis zu verfeinern. Diese Ergebnisse werden wiederum verwendet, um die Visualisierung der Daten und die Interaktion mit diesen für die Benutzer:innen zu optimieren. Anhand von Softwareprototypen und Fallstudien mit menschlichen Teilnehmer:innen wird untersucht, wie gut der intelligente Agent die Interessen von einem oder mehreren Nutzer:innen lernen kann und wie die Nutzer:innen durch das interaktive Zusammenspiel aus Wissensexternalisierung, maschinengeführter Dateninspektion, Befragung und Verfeinerung (Reframing) profitieren können. Das Projekt ist eine Zusammenarbeit zwischen Forscher:innen der TU Wien (Manuela Waldner) und der Fachhochschule St. Pölten (Matthias Zeppelzauer), die ihre komplementäre Expertise in den Bereichen Informationsvisualisierung, Visual Analytics und interaktives maschinelles Lernen im Projekt zusammenführen.
- FH St. Pölten - 50%
- Technische Universität Wien - 50%
- Matthias Zeppelzauer, FH St. Pölten , assoziierte:r Forschungspartner:in
- Wolfgang Aigner, FH St. Pölten , nationale:r Kooperationspartner:in
- Tobias Schreck, Technische Universität Graz , nationale:r Kooperationspartner:in
- Eduard Gröller, Technische Universität Wien , nationale:r Kooperationspartner:in
- Angela Stöger-Horwath, Österreichische Akademie der Wissenschaften , nationale:r Kooperationspartner:in
- Michael Sedlmair, Universität Stuttgart - Deutschland
- Bartosz Michal Zielinski, Jagiellonian University Krakau - Polen
- Jürgen Bernard, University of Zurich - Schweiz
- Barbora Kozlikova, Masarykova Univerzita - Tschechien
Research Output
- 2 Zitationen
- 9 Publikationen
- 3 Software
- 2 Wissenschaftliche Auszeichnungen