Datenqualit?tsmessung und -ma?nahmen bei unstrukturierten Daten

Abgeschlossene, laufende und zukünftige Forschungsprojekte:? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

DQMM - Datenqualit?tsmessung und -ma?nahmen bei unstrukturierten Daten

?
Im Rahmen des Projekts wurden quantitative Methoden zur Messung, Steuerung und Verbesserung der datenwertorientierten Datenqualit?t (bspw. Korrektheit, Konsistenz, Aktualit?t, Vollst?ndigkeit, Eindeutigkeit) entwickelt und vor allem anhand konkreter Anwendungsszenarien evaluiert. bwin娱乐_bwin娱乐官网欢迎您@e sollten aufgrund der gro?en, zu bewertenden Datenmengen automatisiert anwendbar sein. Zudem sollten zur Analyse der Datenqualit?t ausgew?hlte maschinelle Lernverfahren Verwendung finden. Die Ergebnisse sind zugleich auch die Voraussetzung für die Entwicklung datengetriebener Dienstleistungen, wie bspw. eine hochgradig kontext- und nutzerbezogene Individualisierung angebotener Produkte.

DEVISE QUANT - Datenqualit?tsmanagement zur Verbesserung der Informationssicherheit

Teilvorhaben: Qualit?tsbewertung, Verbesserung und ?konomische Evaluation

?
Ein zentraler Schwerpunkt des Projekts DEVISE QUANT liegt im Bereich der Datenqualit?t und Datenanalyse für die Informationssicherheit. Thematisch erstreckt sich dies von der Messung der Datenqualit?t über die Entwicklung von Datenanalysemethoden unter besonderer Berücksichtigung der Qualit?t der Inputdaten bis zur ?konomischen Bewertung der Datenqualit?t und von Datenqualit?tsma?nahmen. Im Vorhaben DEVISE sollen - basierend auf realen IAM- und CTI-Daten - Security Quality Dimensions sowie Security Quality Indicators definiert, formal spezifiziert und deren Mess- und Analysemethode festgelegt werden. Daneben sollen ausgehend von den Security Quality Indicators relevante Ma?nahmen zur Verbesserung der Datenqualit?t abgeleitet sowie ?konomisch mit Hilfe eines Entscheidungsmodells bewertet werden.

Erfahren Sie mehr über das Projekt DEVISE

DQMM@WIKI - Datenqualit?tsmessung und -ma?nahmen bei Wikis und Knowledge Graphen

?
Enterprise Wikis und Knowledge Graphen sind innovative Instrumente, um das Potenzial gro?er Datenmengen zu nutzen. Aufgrund der in diesem Kontext vorherrschenden Kontext vorherrschenden un-/semistrukturierten Datenformate ?und der kollaborativen Erstellung ist die Sicherstellung der Datenqualit?t hier für Wissenschaft und Praxis von besonderer Relevanz. Das Projekt verfolgt dabei folgende Ziele:

1. Entwicklung von Methoden und Metriken zur Messung der Datenqualit?t von Wikis und Knowledge Graphen
2. Definition von Ma?nahmen zur Verbesserung der Datenqualit?t von Wikis und Knowledge Graphen
3. Entwicklung von Ans?tzen zur automatisierten und qualit?tsgesicherten Erstellung von Knowledge Graphen aus unstrukturierten Daten wie (Enterprise) Wikis

DQNGI - Datenqualit?t bei textuellen, Nutzer-generierten Inhalten

?
Im Vorhaben DQNGI werden folgende Forschungsfragen adressiert:

1. Wie kann die DQ bei textuellen NGI automatisiert gemessen und verbessert werden?
2. Wie lassen sich DQ-annotierte textuelle NGI bei maschinellen Lernverfahren methodisch fundiert verarbeiten?

Hierzu umfasst DQNGI zwei Teilprojekte:

Im ersten Teilprojekt werden neue Ans?tze zur Messung und Verbesserung der zentralen Datenwert-orientierten DQ-Dimensionen Korrektheit/Aktualit?t, Vollst?ndigkeit, Konsistenz und Identit?t von textuellen NGI entwickelt. Als Resultate entstehen (u.?a. hinsichtlich Validit?t und Reliabilit?t) evaluierte Ans?tze zur automatisierten Messung und Verbesserung der DQ sowie Datens?tze, die textuelle NGI mit gemessener bzw. verbesserter DQ annotieren.

Im zweiten Teilprojekt werden neue Ans?tze für maschinelle Lernverfahren entwickelt, die neben den NGI als Inputdaten auch die gemessenen bzw. verbesserten DQ-(Metrik-)Werte als Annotation methodisch verarbeiten k?nnen. Dabei werden Neuronale Netze und Random Forests als Methodentypen fokussiert, die zur Analyse von textuellen NGI weit verbreitet sind. Als Resultate entstehen neue Ans?tze für maschinelle Lernverfahren, die DQ-annotierte Inputdaten verarbeiten, sowie Erkenntnisse sowohl zur (ver?nderten) Ergebnisgüte und -robustheit dieser Verfahren, als auch hinsichtlich deren Validit?t und Reliabilit?t.