Patrik ThomasMichalski

NFDIxCS rozwija wspólną infrastrukturę danych badawczych dla informatyki. Obejmuje ona zarówno zbiory danych, jak i oprogramowanie oraz kontekst techniczny potrzebny do zrozumienia lub odtworzenia wyniku. Konsorcjum pracuje nad zasadami FAIR, trwałym cytowaniem i interoperacyjnymi usługami dla złożonych, dziedzinowych obiektów badawczych.

Jedną z głównych koncepcji jest Research Data Management Container: powiązane artefakty są grupowane zamiast publikowane jako oddzielne pliki. Metadane muszą opisywać ich relacje na tyle dokładnie, aby inni badacze i usługi mogli je znaleźć, zinterpretować i ponownie wykorzystać.

Mój wkład skupiał się na rozszerzaniu schematów dla empirycznej wiedzy badawczej. Pracowałem nad uporządkowanym opisem niejednorodnych obiektów badawczych i kontekstu ich uruchomienia, aby dane, oprogramowanie i udokumentowane zależności pozostały połączone i możliwe do cytowania.

KI@CAU Datencampus Kiel powstał, aby metody analizy danych i AI mogły być stosowane na Uniwersytecie w Kiel ponad granicami dyscyplin. Kraj związkowy przeznaczył około dwóch milionów euro na trzyletnią inicjatywę. Interdyscyplinarne tandemy łączyły informatyków z badaczami innych dziedzin i obejmowały cały proces od pozyskania danych przez analizę po późniejsze ponowne wykorzystanie.

Praktyczna trudność polega na tym, że poszczególne dyscypliny korzystają z innych instrumentów, formatów i kryteriów jakości. Wspólna strategia nie może więc sprowadzać się do jednego modelu lub jednej platformy. Potrzebuje przenośnych procedur, udokumentowanych interfejsów i odpowiedniego kontekstu dziedzinowego.

Podczas mojego udziału pracowałem w tym interdyscyplinarnym środowisku, między innymi we współpracy z elektrotechniką i fizyką. Głównym zadaniem było powiązanie metod data science z rzeczywistym sposobem powstawania i oceny danych w uczestniczących dyscyplinach.

SPP 2422 łączy dane procesowe, wiedzę ekspercką i przestrzenie rozwiązań z symulacji w celu modelowania procesów obróbki plastycznej. Instytuty zajmujące się technologią formowania, automatyką i data science współpracują, aby ogólne reprezentacje matematyczne można było sprawdzać w konkretnych procesach produkcyjnych.

Dla uczenia maszynowego wąskim gardłem są oznaczone pomiary. Rzeczywiste próby formowania są kosztowne, parametry procesu wzajemnie na siebie oddziałują, a model musi zachować fizyczny charakter krzywej siła–przemieszczenie. Dane syntetyczne pomagają tylko wtedy, gdy te warunki pozostają sterowalne i możliwe do prześledzenia.

Opracowałem sterowalny generator syntetycznych krzywych siła–przemieszczenie. Wygenerowane dane procesowe wspierają trenowanie i ocenę modeli służących do optymalizacji aktywnych powierzchni narzędzi, bez przedstawiania krzywych syntetycznych jako rzeczywistych pomiarów.

Marispace-X stworzył morską przestrzeń danych opartą na zasadach Gaia-X, takich jak suwerenność danych, bezpieczeństwo, interoperacyjność i modułowość. Architektura łączy przetwarzanie edge, fog i cloud, aby duże zbiory danych sensorycznych mogły być wymieniane i analizowane ponad granicami organizacji.

Przypadki użycia obejmują podwodne sieci czujników, morską energetykę wiatrową, monitoring infrastruktury krytycznej i historycznej amunicji. Łączy je praca z danymi przestrzennymi pochodzącymi z różnych systemów, o różnej rozdzielczości i na różnych warunkach dostępu.

Moja praca dotyczyła planowania tras statków z uwzględnieniem ryzyka kolizji oraz zarządzania podstawowymi danymi przestrzennymi. Badałem, jak planowanie trasy może uwzględniać inne poruszające się jednostki, zamiast traktować morze jako statyczną powierzchnię kosztu.