Übersicht über komplexe Datenlagen durch Visual Analytics und KI

Durch die Digitalisierung werden gigantische Massen an Daten verfügbar, aus denen wichtige Informationen gewonnen werden können, seien es Twitter-Nachrichten, Cyber-Threat-Reports oder Business Intelligence-Daten. All diese Informationen liegen in Datenbanken – oder genauer: Sie sind dort verborgen, denn der Mensch kann sie in dieser Form und Fülle nicht erfassen. Sie sind für ihn nicht nutzbar. Mit IvID hat das Fraunhofer FKIE ein Tool entwickelt, das mithilfe interaktiver Visualisierung und der Kombination von KI und Visual Analytics große und komplexe Datenlagen nachvollziehbar und intuitiv erfassbar aufbereitet. IvID und verschiedene seiner Use Cases, die dank der offenen Architektur leicht umgesetzt werden können, werden auf der AFCEA-Fachausstellung vorgestellt.

Visual Analytics ist ein interdisziplinärer Ansatz, um komplexe und große Datensätze so aufzubereiten, dass Nutzer diese intuitiv analysieren können. Denn die Repräsentation von Daten, wie sie für Rechner verarbeitbar ist, widerspricht der menschlichen Aufnahme von Information. Visual Analytics orientiert sich im Gegensatz dazu gerade an der Fähigkeit des Menschen, Muster und Strukturen visuell zu erfassen. Der Ansatz eignet sich aus diesem Grund vor allem für große Mengen an Informationen sowie insbesondere in Kombination mit Künstlicher Intelligenz. Denn die Ergebnisse von KI-Verfahren werden so auch für den Menschen nachvollziehbar.

 

Auf technischer Ebene werden hierfür Datenbanktechnologien und automati-sierte Analyseverfahren mit einer graphischen Benutzungsschnittstelle verknüpft. Interaktive Visualisierungen dienen zum einen dazu, die Analyseergebnisse anzu-zeigen, zum anderen erlauben sie aber auch neue Datenbankabfragen durch direkte Interaktion. Auf diese Weise können Daten intuitiv exploriert werden.

 

Datenbanktechnologien haben in jüngerer Zeit große Fortschritte gemacht und es sind kostengünstige Datenbanksysteme verfügbar, die es ermöglichen, Milliarden von Dokumenten in Echtzeit zu durchsuchen und in Statistiken zu erfassen. Mit sogenannten No-SQL-Datenbanken gibt es neue, flexible Möglichkeiten, heterogene Daten abzulegen und zu analysieren. In Kombination mit dem Visual Analytics-Ansatz ist dies aktuell ein dynamisches Forschungsfeld, wenn es darum geht, den Menschen in die Lage zu versetzen, auf Basis von KI sinn- und verantwortungsvolle Entscheidungen zu treffen.

 

Das Fraunhofer FKIE besitzt im Bereich der Ergonomie langjährige Erfahrung in der Gestaltung und Evaluation von Benutzungsschnittstellen in Führungs- und Informationssystemen. Bei Visual Analytics liegt der aktuelle Forschungs-schwerpunkt auf der Überwindung der Diskrepanz von hoher Flexibilität, die für Analysetätigkeiten benötigt wird, und einer klaren Benutzerführung, wie sie in klassischen Benutzungsschnittstellen zu finden ist.

 

IvID bündelt dieses Wissen in einem generischen Werkzeug zur Erstellung von interaktiver Dashboards und wurde bereits für eine ganze Reihe von Anwendungen weiterentwickelt. Einige dieser Use Cases werden auf der AFCEA-Fachausstellung an Stand des Fraunhofer FKIE (Stand F 18) vorgestellt.

 

Eine Reihe von Anwendungen wurden für den Bereich der Business Intelligence realisiert. In großen Organisationen müssen für operative und strategische Entscheidungen mitunter komplexe Zusammenhänge analysiert werden, wie bspw. Abhängigkeiten im Produkt- und Projektportfolio oder zeitliche Abhängigkeiten. Große Mengen an Daten werden darüber hinaus standard­mäßig zu einzelnen Einheiten erfasst, wie bspw. Störungen, Entwicklungstand und finanzielle Aspekte. Die interaktiven Dashboards können neben den üblichen Statistiken auch Verknüpfungen zwischen einzelnen Einheiten in Graphen darstellen. Durch KI Methoden können neue Zusammenhänge in den Daten erkannt oder Unterstützung für Planungsaufgaben integriert werden. Ein weiteres Beispiel ist das Social-Media-Analysetool NewsHawk®. Mit diesem Tool können Nachrichten aus Twitter zunächst schlüsselwortspezifisch gesammelt werden. Durch KI-Methoden können dann semantische Informationen extrahiert und in die Analyse mit einbezogen werden. Die grafische Benutzungsoberfläche erlaubt es, die Nachrichten in Themencluster kategorisiert darzustellen und über intuitive Filtermethoden nach Schlüsselwörtern und Zeitabschnitten zu durchsuchen. Zudem können Netzwerke zwischen relevanten Accounts dargestellt und analysiert werden.