Unser Ziel ist die Vereinfachung von Data Science durch die Bereitstellung geeigneter Abstraktionen und durch die Entwicklung von Systemen und Werkzeugen für die effiziente und skalierbare Ausführung von Data-Science-Aufgaben. Hierzu liegt der primäre Fokus unserer Forschung auf den Interna von ML-Systemen für den gesamten Data-Science-Lebenszyklus (von Datenintegration und Aufbereitung, über effizientes Modell-Training, bis hin zum Debugging und Serving), auf der großangelegten und verteilten Verwaltung und Analyse von Daten, sowie auf Infrastruktur und Benchmarks für Daten- und ML-Systeme.
Aktuelle Projekte: Apache SystemDS (ein quelloffenes ML-System für den gesamten Data-Science-Lebenszyklus) und DAPHNE (eine offene und erweiterbare System-Infrastruktur für integrierte Daten-Analyse-Pipelines, mit Know-Center, AVL, DLR, ETH Zurich, HPI Potsdam, ICCS, Infineon, Intel, ITU Copenhagen, KAI, TU Dresden, Uni Maribor, Uni Basel)
Abgeschlossene Projekte: ExDRa (06/2019-08/2022, explorative Data Science und föderiertes ML über Rohdaten, mit Siemens, DFKI, TU Berlin, and TU Graz)
Mitgliedschaft in PhD-Ausschüssen (abgeschlossen): Andreas Kunft (TU Berlin, 2019), Joseph Vinish D'Silva (McGill University, 2020), Shaoduo Gan (ETH Zurich, 2021), Gábor Gévay (TU Berlin, 2022), Clemens Lutz (TU Berlin, 2022), Alexander Renz-Wieland (TU Berlin, 2022), Gencer Sümbül (TU Berlin, 2023), Martino Ciaperoni (Alto University, 2023), Philipp Grulich (TU Berlin, 2023), Viktor Rosenfeld (TU Berlin, 2023), Lisa Raithel (TU Berlin, 2024)