ao.Univ.Prof. Robert Sablatnig, öffnet eine externe URL in einem neuen Fenster und Privatdoz. Dr. Martin Kampel, öffnet eine externe URL in einem neuen Fenster, Institut für Visual Computing and Human-Centered Technology, Forschungsbereich Computer Vision, öffnet eine externe URL in einem neuen Fenster 
DI Michael Brandstötter, CogVis Software und Consulting GmbH, öffnet eine externe URL in einem neuen Fenster

Die Betreuung von Menschen mit kognitiven Beeinträchtigungen ist anspruchsvoll und erfordert einen hohen personellen und pflegerischen Einsatz. Es ist daher von größter Bedeutung, Lösungen zu entwickeln, die die Pflegenden in ihrer täglichen Arbeit auf einem noch nie dagewesenen Niveau unterstützen können. Das Projekt DIANA verbessert das Leben und die Sicherheit von Personen mit leichter bis schwerer kognitiver Beeinträchtigung ab 65 Jahren und unterstützt gleichzeitig Pflegekräfte und Betreuer durch neuartige Lösungen zur Handlungs- und Verhaltenserkennung. Die Basistechnologie werden KI-gestützte 3D-Sensoren mit eingebetteten Analysealgorithmen sein. Die von diesen Sensoren gelieferten Metadaten werden nahtlos in die Arbeitsroutine des Pflegepersonals integriert und setzen wertvolle Zeit für die personalisierte Pflege frei.

Projektwebseite
Präsentation Kampel, Brandstötter, öffnet eine Datei in einem neuen Fenster

Univ. Prof. Dr. Allan Hanbury, öffnet eine externe URL in einem neuen Fenster, Institut für Information Systems Engineering, Forschungsbereich E-Commerce, öffnet eine externe URL in einem neuen Fenster
Tamás Petrovics, XUND Solutions GmbH, öffnet eine externe URL in einem neuen Fenster

Die Firma XUND GmbH entwickelt einen Chatbot für die Unterstützung von Diagnosen im medizinischen Bereich. Gemeinsam mit der TU Wien werden Text Mining Methoden für die Extraktion von Informationen aus großen Mengen von medizinischen Fachpublikationen entwickelt. In einem vorherigen Projekt wurde die XUND zugrundeliegende wahrscheinlichkeitsbasierte Datenbank für Krankheits-Symptom-Beziehungen (DISCO 1.0) auf der Grundlage von 1,5 Millionen medizinischen Publikationen von PubMed Central aufgebaut. Das medizinische Team von XUND überprüft dann die Daten und reichert sie mit praktischer Erfahrung und zusätzlicher qualitativer Forschung an. Als nächster Schritt steht in diesem Projekt die Vertrauenswürdigkeit der Ergebnisse im Vordergrund. Die Extraktion, Verifizierung und Nutzung von Krankheits-Symptom-Paaren wird auf zwei Arten verbessert: (i) Extraktion von Informationen aus verifizierten Patientenfallstudien und (ii) Anwendung von maschinellem Lernen auf die extrahierten Informationen, um die Genauigkeit der Krankheitsvorschläge zu verbessern.

Präsentation Hanbury, Petrovics, öffnet eine Datei in einem neuen Fenster

Dr. Nikolas Popper, öffnet eine externe URL in einem neuen Fenster, Institut für Information Systems Engineering, Forschungsbereich Information und Software Engineering, öffnet eine externe URL in einem neuen Fenster

Agentenbasierte Computermodelle sind ein wichtiges Werkzeug zur Simulation der Ausbreitung von COVID-19. Für deren Zuverlässigkeit müssen sie allerdings auf genaue Daten zum Verhalten von Menschen und auf die tatsächliche Ausbreitung von Krankheiten kalibriert werden. Darüber hinaus können die erwarteten Auswirkungen von Strategien zur Reduzierung der Ausbreitung auf der Grundlage der zum aktuellen Zeitpunkt gesammelten Daten getestet und bewertet werden. Die erforderlichen Daten können auch in Zukunft verwendet werden, um Untersuchungen zu den Auswirkungen von COVID-19 durchzuführen, z.B. Auswirkung einer eingeschränkten Mobilität auf die Umweltverschmutzung. In diesem Projekt werden regelmäßig die folgenden anonymisierten Daten für die oben genannten Verwendungen gesammelt und gespeichert: aggregierte Statistiken über die Bewegung von Personen von österreichischen Mobilfunkbetreibern, Ergebnisse tatsächlich entwickelter Strategien für (randomisierte) COVID-19-Tests, Informationen über andere COVID-19 Teststrategien in Österreich. Eine unmittelbare Auswirkung wäre die Identifikation von Gebieten, in denen die Kontaktreduktion nicht ausreichend funktioniert und die Tests deshalb zu intensivieren.

Projektwebseite, öffnet eine externe URL in einem neuen Fenster
(in Kooperation mit: Complexity Science Hub, öffnet eine externe URL in einem neuen Fenster; dwh GmbH, öffnet eine externe URL in einem neuen Fenster; SpotOn Statistics GmbH, öffnet eine externe URL in einem neuen Fenster, Statistik Austria)

Präsentation Popper, öffnet eine Datei in einem neuen Fenster

Associate Prof. Dr. Hilda Tellioglu, öffnet eine externe URL in einem neuen Fenster, Institut für Visual Computing and Human-Centered Technology, Forschungsbereich Multidisciplinary Design and User Research, öffnet eine externe URL in einem neuen Fenster 

Zielsetzung: Das Projekt COMISO evaluiert den Einsatz von künstlicher Intelligenz, um neuartige Interaktionsmuster im Krisen- und Katastrophenschutz umzusetzen und damit ungelöste Probleme in der Aufbereitung und Verfügbarkeit heterogener Daten zu adressieren. Einerseits sollen die Interaktionen von Krisenmanagern mit digitalen Systemen zukünftig sowohl in der Einsatzzentrale, als auch im Feld vereinfacht und effizienter gestaltet werden. Andererseits soll die Interaktion mit der Bevölkerung durch den Einsatz neuer Interaktionsmuster individueller und besser skalierbar gestaltet werden.

Problemstellung: Informationen aus Führungsinformationssystemen sind derzeit nur über komplexe graphische Interfaces abrufbar. Im Krisenfall kann dies zu einem Informationsdefizit der Einsatzleitung führen, obwohl alle Informationen vorhanden wären. Einsatzkräfte im Feld müssen zusätzlich mit widrigen Umwelteinflüssen und stressbehafteten Situationen umgehen, die wenig Aufmerksamkeit für die Handhabe digitaler Eingabemasken zulassen. Ein rascher und effizienter Zugriff auf spezifische Informationen ist oft nicht möglich. Auch die Erfassung digitaler Lageinformationen vor Ort ist nur schwer durchführbar. Bürger*innen, andererseits, benötigen im Krisenfall relevante Informationen in einer zugänglichen Darstellung. Dieser Bedarf wird derzeit vorrangig über Telefonhotlines bedient, wodurch es aber im Krisenfall zu einer Verzögerung in der Informationsweitergabe kommen kann.

Hypothesen: COMISO basiert auf drei Hypothesen: 1) KI-basierte Dialogsysteme und Spracherkennung ermöglichen es, Daten effizienter und für alle Stakeholder (Landeswarnzentralen, die Zivilbevölkerung und Fachpersonal im Feld) leichter zugänglich aufzubereiten. Der Bedarf nach fernmündlichen Gesprächen und somit allfällige Fehlerquellen in der Informationsweitergabe reduzieren sich. 2) Individuelle Perspektiven auf heterogene Datenbestände ermöglichen Dialogsysteme, die für verschiedene Anwendergruppen angepasst sind. 3) Die Digitalisierung und Integration von Informationen aus dem Amateurfunk ermöglicht eine robuste Kommunikation auch bei Ausfall herkömmlicher Netzwerke. Durch diese Annahmen ergibt sich ein bisher unangetasteter Lösungsraum, bestehend aus neuartigen Interaktionsprofilen und einhergehender Datenverwaltung.

Projektwebseite, öffnet eine externe URL in einem neuen Fenster

Präsentation Tellioglu, öffnet eine Datei in einem neuen Fenster