Verbundprojekt: Maschinelles Lernen für die Optimierung von SPARQL-Abfragen über zentralisierte und verteilte RDF-Wissensgraphen; Teilprojekt: Wissensgraphen-Entwicklung, SPARQL-Benchmark, Tentris-Corporate Memory-Integration und Usability-Tests

Das Hauptziel des Projekts SPARQL-ML ist die Entwicklung neuartiger generischer Lösungen für das Hochleistungs-RDF-Wissensgraph-Datenmanagement. Die Hauptprodukte umfassen: SPARQL-Abfrageplaner und -Optimierer für Triplestores: Ein neuer, auf maschinellem Lernen basierender Abfrageoptimierer für die SPARQL-Abfrageverarbeitung über RDF-Wissensgraphen wird vorgeschlagen und von bestehenden Triplestores übernommen, um Hochleistungs-RDF-Datenbankmanagementlösungen zu entwerfen. SPARQL-Abfrageplaner und -Optimierer für Föderationsmotoren: Ein generischer, auf maschinellem Lernen basierender Abfrageoptimierer für die föderierte SPARQL-Abfrageverarbeitung über physisch verteilte RDF-Wissensgraphen wird vorgeschlagen. Beide der oben genannten Lösungen sind völlig neu und werden in die bestehenden Produkte von ECC integriert. Insbesondere wird das Tentris-Triplestore von eccenca (ECC) genutzt, um die Datenverarbeitungskapazitäten des aktuellen Produkts Corporate Memory (CMEM) zu verbessern. Daher werden wir als strategische Auswirkungen der SPARQL-ML-Implementierung bei ECC eine erhebliche Verbesserung unserer CMEM-Datenverarbeitungs- und föderierten Abfragefähigkeiten entwickeln. Darüber hinaus wird aus SPARQL-ML bei ECC ein innovativer Beratungsdienst für Benchmarking im Datenmanagement und die Abfrage von Triplestores resultieren. Außerdem wird ECC für die Gesamtkoordination des Projekts verantwortlich sein. Die ECC zeichnet sich durch ihre hervorragenden Koordinations- und Projektmanagementfähigkeiten aus, die durch effiziente Ressourcenallokation, proaktives Risikomanagement, Einbindung der Stakeholder und ein Engagement für Innovation gekennzeichnet sind.