Berlin Institute for the Foundations of Learning and Data (BIFOLD)

© BIFOLD

Das Berlin Institute for the Foundations of Learning and Data (BIFOLD) ist 2019 aus der Fusion zweier nationaler Kompetenzzentren für Künstliche Intelligenz hervorgegangen: dem Berlin Big Data Center (BBDC) und dem Berliiner Zentrum für Maschinelles Lernen (BZML). Eingebettet in die pulsierende Metropolregion Berlin bietet das BIFOLD ein hervorragendes wissenschaftliches Umfeld und zahlreiche Kooperationsmöglichkeiten für nationale und internationale Forscher. BIFOLD bietet ein breites Spektrum an Forschungsthemen sowie eine Plattform für interdisziplinäre Forschung und Wissensaustausch mit den Natur- und Geisteswissenschaften, der Industrie, Start-ups und der Gesellschaft. mehr zu: Berlin Institute for the Foundations of Learning and Data (BIFOLD)

Cheetah

In diesem Projekt implementieren wir eine Reihe von Operatoren für einen Prototyp einer Stromverarbeitungsmaschine. Um die Leistung zu optimieren, arbeiten wir mit heterogener Hardware. Um die Vorteile der verschiedenen Hardwarearchitekturen zu nutzen, wird für jeden Operator ein universeller Softwareansatz entwickelt und architekturübergreifend implementiert. Auf die Implementierung folgt eine analytische Phase, in der die Operatoren in verschiedenen Szenarien getestet werden, um die Parametrisierung zu finden, die die Leistung maximiert. Durch die Anpassung des Software-Ansatzes an die Hardware hoffen wir, Ergebnisse zu erzielen, die den derzeitigen Stand der Technik übertreffen. mehr zu: Cheetah

DORIAN

Im Rahmen dieses Projekts entwerfen wir die High-Level-Abstraktion für die deklarative Spezifikation der DS-Workflows. Wir implementieren einen Prototyp des Managementsystems, das diese deklarative Zwischenrepräsentation (IR) automatisch aus einem datenwissenschaftlichen Experiment extrahiert und in einer Experimentdatenbank für weitere Reproduzierbarkeit, Suche, Vergleich und Wiederverwendung speichert. mehr zu: DORIAN

ELEGANT

© ELEGANT project

ELEGANT zielt darauf ab, ein neues Software-Paradigma für Big Data und IoT zu schaffen, indem es deren Programmierumgebungen vereinheitlicht und den automatischen, einfachen und selbstanpassenden Einsatz von bestehendem Code von Big-Data-Plattformen auf IoT-Geräte und umgekehrt ermöglicht, wobei der PESRD-Bereich (Leistung, Energieeffizienz, Sicherheit, Zuverlässigkeit, Zuverlässigkeit) optimiert wird. mehr zu: ELEGANT

ExDRa

Die Idee des ExDRa Projekts ist es geeignete Systemunterstützung für den explorativen Data Science Prozess über heterogene und verteilte Rohdatenquellen zu untersuchen und im Rahmen eines Prototypen für reale Anwendungsfälle bereitzustellen. mehr zu: ExDRa

FONDA: Debugging verteilter Datenanalyseworkflows

Der DFG-Sonderforschungsbereich „FONDA – Grundlagen von Workflows für die Analyse großer naturwissenschaftlicher Daten“ widmet sich der Optimierung von Datenanalyseworkflows. Das Ziel ist die Erforschung von Techniken, Verfahren und Werkzeuge, die eine Steigerung der Produktivität von Wissenschaftlern und Wissenschaftlerinnen bei der Erstellung und Anwendung von DAWs auf großen naturwissenschaftlichen Datenbeständen ermöglichen. mehr zu: FONDA: Debugging verteilter Datenanalyseworkflows

Hawk - A Hardware Adaptive Query Compiler

© CoGaDB Team

The performance of modern processors is primarily bound by a fixed energy budget. This power wall forces processor vendors to specialize their processors to certain applications to provide the speedups users expect. mehr zu: Hawk - A Hardware Adaptive Query Compiler

moreEVS

Das moreEVS Projekt ist Teil einer bilateralen Initiative für gemeinsame deutsch-chinesische Forschungsprojekte. Die Anzahl an Elektrofahrzeugen (english: electric vehicle, EV) in städtischen Gebieten wird in naher Zukunft rasch ansteigen und damit auch der Bedarf an Ladestationen. DIMA will sich der Herausforderung stellen, die Analyse großer Datenmengen effizient einzusetzen, zur Vereinfachung von Ladevorgängen bei Elektrofahrzeugen. mehr zu: moreEVS

SpaDa

In diesem Projekt erforschen wir neuartige Ansätze zur Verarbeitung von Datenströmen, um effizient die Ressourcen moderner Rechner ausnutzen zu können. Zum Erreichen dieses Ziels, entwickeln wir ein neuartiges Datenstromverarbeitungssystem, welches den folgenden drei Entwurfsprinzipien folgt. Erstens nutzen wir Codegenerierung als grundlegende Technologie, um die zur Verfügung stehende Hardware-Ressourcen effizient ausnutzen zu können. Zweitens entwickeln wir eine abstrakte zwischen Repräsentation welche es unserem System ermöglicht, verschiedene Anfragesprachen und Paradigmen gesamtheitlich zu verarbeiten und zu optimieren. Drittens legen wir Adaptivität als grundsätzliches Paradigma zugrunde. mehr zu: SpaDa