KAVA-Time

Um in praktischen Problemstellungen Erkenntnisse gewinnen zu können, muss meist mit großen, komplexen, unsicheren und widersprüchlichen Datenmengen umgegangen werden. In solchen Szenarien kommen zeitorientierte Daten sehr häufig vor und spielen eine zentrale Rolle. Denn aufgrund der besonderen Eigenschaften von Zeit sind geeignete Explorations- und Analysemethoden erforderlich. Visual Analytics bietet leistungsfähige Methoden, die interaktive Benutzerschnittstellen mit automatisierten Analysemethoden vereinigen. Im Idealfall sollte sich eine Visual Analytics Arbeitsumgebung an den Kontext der BenutzerInnen und an Spezifika der Anwendungsdisziplin anpassen. Zum Beispiel könnten bei PatientInnendaten die Normalwertebereiche je nach Geschlecht oder Alter angezeigt werden, bei Finanzdaten könnte die Zeitachse Wochenenden und Bankfeiertage überspringen, oder bei der Analyse des Energieverbrauchs könnten tägliche und wöchentliche Zyklen herausgerechnet werden, um auf unerwartete Erkenntnisse zu stoßen. Derartige Lösungen könnten zwar als Spezialanwendungen für Einzelfälle realisiert werden, aber der Aufwand zur Entwicklung und Wartung stünde in keiner Relation zur Wiederverwendbarkeit der Lösungen. Deshalb planen wir die Erforschung von Visual Analytics Methoden, die verschiedenste Kontexte berücksichtigen. Im Rahmen dieses Projekts werden wir Methoden entwickeln, die explizites Expertenwissen im Visual Analytics Prozess miteinbeziehen, um diesen damit effektiver und effizienter zu gestalten. Wir planen die Entwicklung und Evaluation von Methoden zur Erfassung von explizitem Expertenwissen sowie Methoden zur wissensunterstützten Visualisierung und Interaktion für zeit-orientierte Daten. Dies umfasst zwei Hauptziele: (1) Das Fachwissen und die explorativen Interessen von AnalytikerInnen zu erfassen und (2) dieses explizite Wissen in Interaktions- und Visualisierungsmethoden gewinnbringend einzusetzen. Bestehende Ansätze beruhen in der Regel auf statischem, extern vorgegebenem Wissen und berücksichtigen die Wiederverwendung und die Verteilung derartiger Spezifikationen nicht. Im Gegensatz dazu zielen wir auf Spezifikationsmethoden ab, die direkt in Visual Analytics Methoden integriert sind, um direktes und intuitives Bearbeiten des expliziten Wissens durch die AnalytikerInnen zu ermöglichen. Dabei können sich die Visual Analytics Methoden automatisch an das explizit gemachte Wissen adaptieren und dieses zur Datenabstraktion einsetzen. Für die Entwicklung und Evaluation planen wir, Daten und Aufgaben aus einem medizinischen Anwendungsszenario zu verwenden. Mit Hilfe dieser Methoden werden effektivere Rahmenbedingungen zum Erkenntnisgewinn geschaffen: Die Möglichkeit zusätzliche Informationen zu den Rohdaten und anwendungsspezifisches Wissen zu erfassen, zu modellieren und einzusetzen, erlaubt es, angemessene Methoden zur visuellen Darstellung, Interaktion und automatischen Analyse besser auszuwählen und anzupassen.

Aus Bildern schlau werden Erkenntnisgewinn durch Visual Analytics Bei großen Datenmengen fällt die Analyse und Interpretation der Daten oft schwer. Doch mit den richtigen Ansätzen lassen sich Informationen entdecken, die darin versteckt sind. Entscheidend dafür ist das Zusammenspiel zwischen automatischer Datenanalyse durch Computer und Interpretation durch ExpertInnen mittels interaktiver Visualisierung. Das vom FWF geförderte Projekt Knowledge-Assisted Visual Analytics for Time-Oriented Data (KAVA-Time) entwickelte dafür geeignete Konzepte und Computerwerkzeuge. Zusammenarbeit zwischen Mensch und Maschine Informationen zur Gesundheit von PatientInnen, Daten zum Klimawandel oder zum Verhalten von Schadsoftware auf Computern in vielen Fällen haben es ExpertInnen und Wissenschaft mit einer großen Menge an Daten zu tun, aus denen sich erst bei genauer Analyse und Interpretation wertvolle Erkenntnisse gewinnen lassen. Doch dies ist nicht immer einfach. Oft ist die Menge an Information unüberschaubar oder widersprüchlich. Computer können zwar Trends und Muster in den Daten erkennen und optisch aufbereiten, scheitern aber an den Unmengen teilweise trivialer Muster aufgrund fehlenden Hintergrundwissens. Dafür sind ExpertInnen unerlässlich. Nur sie können die Daten auch im jeweiligen Kontext richtig interpretieren. Im Projekt KAVA-Time wurden dafür neue Konzepte der wissensgestützten Visualisierung und Analyse von zeitorientierten Daten entwickelt. Dabei kann menschliches Hintergrundwissen miteinbezogen werden, um so Darstellung und Verarbeitung der Daten zu verbessern. ExpertInnen haben damit die Möglichkeit, ihr Wissen während des Analysevorgangs interaktiv zu erfassen und im Computer zu modellieren. Auf Basis eines neu entwickelten, theoretischen Modells für wissensgestützte Visualisierung und Analyse konnten im Rahmen von zwei beispielhaften Anwendungsszenarien konkrete Umsetzungsmöglichkeiten und Mehrwerte aufgezeigt werden. Schadsoftware am Verhalten erkennen Groß angelegte Angriffe auf kritische IT Infrastrukturen stehen schon beinahe an der Tagesordnung und die Sicherheit wird durch ständig neu aufkommende Schadsoftware wie Computerviren bedroht. Im Rahmen von KAVA-Time hat das Projektteam Methoden zur Unterstützung der verhaltensbasierten Analyse von Schadsoftware entwickelt, prototypisch umgesetzt und auf seine Einsetzbarkeit hin evaluiert. So wurde gezeigt, dass FachexpertInnen auf vielfältige Weise von explizitem Wissen profitieren. Klinische Gangmessdaten visualisieren und analysieren Viele Menschen sind von Störungen oder Auffälligkeiten im Gangbild, etwa aufgrund funktioneller Defizite, betroffen. Um die behandelnden TherapeutInnen zu unterstützen, wurde das wissensgestützte Computerwerkzeug KAVAGait konzipiert und prototypisch getestet. Es erleichtert die Diagnose von Gangstörungen auf Basis komplexer Messdaten.