Datenbanken & Big Data Wie man Struktur in Daten bringt

Alle reden von künstlicher Intelligenz, doch KI braucht eine qualitativ bereinigte Datenbank, um hochwertige Resultate zu liefern: eine organisierte Sammlung von strukturierten Datensätzen mit gemeinsamem Zweck (Kaufmann & Meier 2023). Je unübersichtlicher die Ausgangsdaten sind, desto mehr kommt dazu Big Data zum Einsatz. Damit können grosse Datenmengen in unterschiedlichen Formaten effizient verarbeitet werden.

Forschung und Entwicklung (F&E) in Datenbanken und Big Data arbeitet dafür an neuen Lösungen, z. B. mit Informationsextraktion, automatisierter Datenqualität, Wissensgraphen und Agentic Engineering, beschleunigt durch In-Memory-Verarbeitung, Hardware-Parallelität und linearisierte Algorithmen. So bekommen Sie Ihre Daten in den Griff. Mit einer sauberen Datenbasis kann Wissen extrahiert, verständlich aufbereitet und einfach bereitgestellt werden, damit Menschen und KI-Agenten datenbasiert handeln und entscheiden können.

Wir erstellen Software-Prototypen, von der Demo über Proof-of-Concept bis zum MVP und testen diese unter realen Bedingungen, um sie auszuwerten und zu optimieren. Wir unterstützen Wirtschaftspartner bei der Lösung datenbezogener Probleme und Forschungspartner bei der Beantwortung transdisziplinärer Forschungsfragen. Mit den gewonnenen Erkenntnissen leisten wir wissenschaftliche Beiträge zum neusten Stand der Technik.

Unsere Forschungsfelder:

• Data Integration: Verknüpfung von Informationen aus unterschiedlichen Quellen
• Informationsextraktion: Verarbeitung unstrukturierter Daten und Dokumente
• Big Data: Performante parallele und linear-skalierbare Algorithmen und Systeme
• Graphdatenbanken: Wissensgraphen und Netzwerkanalysen
• Forschungsdatenmanagement: Aufbereitung von Ergebnissen nach FAIR Prinzipien

Sie haben eine konkrete Daten-Herausforderung? Sprechen Sie uns an. Wir prüfen gemeinsam, wie wir eine massgeschneiderte Lösung für Sie erarbeiten können, z. B. mit einem Workshop, einem Proof-of-Concept, oder mit einem F&E-Projekt.

• Zimmermann, C, Monteiro, S., Kaufmann, M. (2026, Jun 2nd). RE/COLLECT – Collective bio-graphics in VR. Open Science Event of Swissuniversities, Bern, Schweiz.
• Kaufmann, M. (2026). Marketing Analytics. In E. Portmann, G. Wilke, L. Terán, & S. D’Onofrio (Eds.), Fuzzy Sets and Systems II: An Introduction with Cases from Business Informatics, Computer Science and Engineering (pp. 115–139). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-99294-0_5
• Stechschulte, G., Wintner, M., Hemmje, M., Schwarz, J., Lischer, S., & Kaufmann, M. (2024). In-Database Feature Extraction to Improve Early Detection of Problematic Online Gambling Behavior. IEEE Transactions on Computational Social Systems, 11(5), 6868–6881. IEEE Transactions on Computational Social Systems. https://doi.org/10.1109/TCSS.2024.3406501
• Kaufmann, M. (2023). Emergent Knowledge Engineering in Big Data Management [Habilitationsschrift, FernUniversität in Hagen]. https://ub-deposit.fernuni-hagen.de/receive/mir_mods_00001905
• Kaufmann, M., Meier, A. (2023). SQL and NoSQL Databases: Modeling, Languages, Security and Architectures for Big Data Management. Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-27908-9
• Giesser, P., Stechschulte, G., Costa Vaz, A. da, & Kaufmann, M. (2021). Implementing Efficient and Scalable In-Database Linear Regression in SQL. 2021 IEEE International Conference on Big Data (Big Data), 5125–5132. https://doi.org/10.1109/BigData52589.2021.9671865
• Kaufmann, M. (2019). Big Data Management Canvas: A Reference Model for Value Creation from Data. Big Data and Cognitive Computing, 3(1), 19. https://doi.org/10.3390/bdcc3010019