Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

DAPHNE

Financiado

Cerrado

Integrated Data Analysis Pipelines for Large Scale Data Management HPC and Mac...

Integrated Data Analysis Pipelines for Large Scale Data Management HPC and Machine Learning Modern data-driven applications leverage large, heterogeneous data collections to find interesting patterns, and build robust machine learning (ML) models for accurate predictions. Large data sizes and advanced analytics spurred t... ver más

30/11/2024

KNOW

7M€

Presupuesto del proyecto: 7M€

Líder del proyecto

KNOW CENTER RESEARCH GMBH No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Fecha límite participación Sin fecha límite de participación.

Ver 15 Participantes

Financiación concedida El organismo H2020 notifico la concesión del proyecto el día 2024-11-30

ICT-51-2020: Big Data technologies and extreme-s...

I+D

Cerrada hace 5 años

0% 100% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

15 Participantes

KNOW

737.73K€ | Lider

TRANSFORMADORES GEDELSA

257.84K€ | Participante

TUD

409.50K€ | Participante

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Proyectos interesantes

TIN2015-64776-C3-3-R DIFFERENTIAL-UCLM: CLASIFICACION Y PREDICCIONES LINGUISTICAS... 64K€ Cerrado

TIN2014-55894-C2-1-R BIG TIME-AWARE DATA: ANALISIS DE DATOS MASIVOS INDEXADOS EN... 125K€ Cerrado

TIN2016-82013-REDT BIG DATA Y ANALISIS DE DATOS ESCALABLE 12K€ Cerrado

TIN2014-56425-REDT BIG DATA Y ANALISIS DE DATOS ESCALABLE 14K€ Cerrado

TIN2014-55894-C2-2-R BIG TIME-AWARE DATA: ANALISIS DE DATOS MASIVOS INDEXADOS EN... 111K€ Cerrado

UNMA15-CE-3196 Establecimiento de un Centro de Competencias en Análisis del... 554K€ Cerrado

Duración del proyecto: 52 meses Fecha Inicio: 2020-07-14
Fecha Fin: 2024-11-30

Líder del proyecto

KNOW CENTER RESEARCH GMBH No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 7M€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Modern data-driven applications leverage large, heterogeneous data collections to find interesting patterns, and build robust machine learning (ML) models for accurate predictions. Large data sizes and advanced analytics spurred the development and adoption of data-parallel computation frameworks like Apache Spark or Flink as well as distributed ML systems like MLlib, TensorFlow, or PyTorch. A key observation is that these new systems share many techniques with traditional high-performance computing (HPC), and the architecture of underlying HW clusters converges. Yet, the programming paradigms, cluster resource management, as well as data formats and representations differ substantially across data management, HPC, and ML software stacks. There is a trend though, toward complex data analysis pipelines that combine these different systems. Examples are workflows of distributed data pre-processing, tuned HPC libraries, and dedicated ML systems, but also HPC applications that leverage ML models for more cost-effective simulation. Major obstacles are (1) limited development productivity for integrated analysis pipelines due to different programming models, and separated cluster environments, (2) unnecessary data movement overhead and underutilization due to separate, statically provisioned clusters, and (3) lack of a common system infrastructure with good interoperability. For these reasons, DAPHNE’s overall objective is the definition of an open and extensible systems infrastructure for integrated data analysis pipelines. We aim at building a reference implementation of language abstractions (i.e., APIs and a domain-specific language), an intermediate representation, as well as compilation and runtime techniques with support for integrating and scheduling heterogeneous accelerator and storage devices. A variety of real-world, high-impact use cases, datasets, and a new benchmark will be used for qualitative and quantitative analysis compared to state-of-the-art.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores