Das Paper "Rhino: Efficient Management of Very Large Distributed State for Stream Processing Engines", das von Del Monte et al. verfasst wurde, befasst sich mit dem Problem der großen Zustandsmigration und der Rekonfiguration von On-the-fly-Abfragen zur Unterstützung der Ressourcenelastizität, Fehlertoleranz und Laufzeitoptimierung (z.B. für den Lastausgleich). Ein mit Rhino ausgestatteter Stream-Processing-Engine ist in der Lage, eine Verarbeitung mit geringerer Latenz zu erreichen und selbst bei Ausfällen einen kontinuierlichen Betrieb zu erreichen.
Das Paper "Optimizing Machine Learning Workloads in Collaborative Environments" von Derakhshan et al. stellt ein System vor, das in der Lage ist, die Ausführung von Machine-Learning-Workloads in kollaborativen Umgebungen zu optimieren. Diese Leistung wird durch die Nutzung eines Versuchsgraphen aus gespeicherten Artefakten erreicht, die aus zuvor durchgeführten Operationen und Ergebnissen stammen.
Das Paper "Grizzly: Efficient Stream Processing Through Adaptive Query Compilation" von Grulich et al. stellt einen neuartige, auf der adaptiven Abfragekompilierung basierende Stream Processing Engine vor, der eine hocheffiziente Abfrageausführung auf moderner Hardware ermöglicht und in der Lage ist, sich dynamisch an sich ändernde Dateneigenschaften in Echtzeit anzupassen.
Das Paper "Pump Up the Volume: Processing Large Data on GPUs with Fast Interconnects" von Lutz et al. bietet eine eingehende Analyse der neuen NVLink 2.0 Interconnect-Technologie, die es Anwendern ermöglicht, Datentransfer-Engpässe zu überwinden und große Datensätze im Hauptspeicher von GPUs effizient zu verarbeiten.
Die parallele Annahme dieser vier Publikationen auf einer der Top-Konferenzen zum Datenmanagement ist nicht nur ein großer Erfolg für die IAM-Gruppe des DFKI und für die DIMA-Gruppe der TU Berlin, sondern zeigt auch, dass das Berlin Institute for the Foundations of Learning and Data (BIFOLD) einen positiven Einfluss auf die internationale Forschung im Bereich Künstliche Intelligenz und Datenmanagement hat.
Weitere Informationen über BIFOLD finden Sie unter bifold.berlin und weitere Einzelheiten über die jährliche SIGMOD-Konferenz unter sigmod2020.org.