Das Social & Data-Intensive Computing Lab

• Intel Core i9 – 9900K, 8x 3.6GHz, 6MB L3 Cache
• 64 GB DDR4 – 2666, Corsair Vengeance LPX black
• 2 x NVIDIA GeForce RTX 2080 Ti with 24 GB (Founders Edition)
• 1 x 2TB Samsung 970 Evo Plus, M.2 PCI

• Conda: Conda ist ein Open-Source Paket- und Umgebungsverwaltungssystem, das auf Windows, macOS und Linux läuft. Mit Conda lassen sich Pakete und deren Abhängigkeiten schnell installieren, ausführen und aktualisieren. Conda erstellt, speichert, lädt und wechselt einfach zwischen Umgebungen auf Ihrem lokalen Computer. Es wurde für Python-Programme entwickelt, kann aber Software für jede Sprache verwalten.
• Jupyter Notebook: Das Jupyter Notebook ist eine Open-Source-Webanwendung, mit der Sie Dokumente erstellen und teilen können, die Live-Code, Gleichungen, Visualisierungen und erzählenden Text enthalten. Zu den Einsatzmöglichkeiten gehören: Datenbereinigung und -transformation, numerische Simulation, statistische Modellierung, Datenvisualisierung, maschinelles Lernen und vieles mehr.
• scikit-learn: Einfache und effiziente Werkzeuge zur prädiktiven Datenanalyse, für jeden zugänglich und in verschiedenen Kontexten wiederverwendbar, aufbauend auf NumPy, SciPy und matplotlib
• statsmodels: statsmodels ist ein Python-Modul, das Klassen und Funktionen für die Schätzung vieler verschiedener statistischer Modelle sowie für die Durchführung statistischer Tests und die statistische Datenexploration bereitstellt. Die Ergebnisse werden gegen bestehende Statistikpakete getestet, um sicherzustellen, dass sie korrekt sind.
• Seaborn: Seaborn ist eine Datenvisualisierungsbibliothek, die auf matplotlib basiert. Sie bietet eine High-Level-Schnittstelle zum Zeichnen attraktiver und informativer statistischer Grafiken.
• Bokeh: Bokeh ist eine Python-Bibliothek zur Erstellung interaktiver Visualisierungen für moderne Webbrowser. Sie hilft Ihnen, schöne Grafiken zu erstellen, die von einfachen Plots bis hin zu komplexen Dashboards mit Streaming-Datensätzen reichen. Mit Bokeh können Sie JavaScript-gestützte Visualisierungen erstellen, ohne selbst JavaScript zu schreiben.
• TensorFlow: TensorFlow ist eine End-to-End-Open-Source-Plattform für Deep Learning (DL). Sie verfügt über ein umfassendes, flexibles Ökosystem von Werkzeugen, Bibliotheken und Community-Ressourcen, die es Forschern ermöglichen, den Stand der Technik in DL voranzutreiben, und Entwicklern, DL-basierte Anwendungen einfach zu erstellen und einzusetzen.
• PyTorch: Ein Open-Source-Framework für Deep Learning, das den Weg vom Forschungsprototypen zum Produktionseinsatz beschleunigt.
• spaCy: Natürliche Sprachverarbeitung in Python. spaCy wurde entwickelt, um Dich bei Deiner Arbeit zu unterstützen – bei der Entwicklung echter Produkte oder beim Sammeln echter Erkenntnisse. Die Bibliothek respektiert Deine Zeit und versucht, sie nicht zu verschwenden. Sie ist leicht zu installieren, und ihre API ist einfach und produktiv.
• und viele mehr…
   

Weitere Software kann bei Bedarf nach Rücksprache mit dem soda.lab-Team installiert werden.

• Anaconda: Mit über 20 Millionen Anwendern weltweit ist die Open-Source-Platform Anaconda der einfachste Weg, Python/R Data Science und maschinelles Lernen auf einem einzelnen Rechner durchzuführen. Sie wurde für Einzelanwender entwickelt und ist das Toolkit, das Sie für die Arbeit mit Tausenden von Open-Source-Paketen und -Bibliotheken ausrüstet.
• AIMMS (Advanced Interactive Multidimensional Modeling System): AIMMS ist eine Modellierungssprache und -umgebung zur Erstellung von Entscheidungsunterstützungssystemen und sog. Advanced-Planning-Anwendungen. Neben der Modellierungssprache erlaubt AIMMS die Erstellung von interaktiven Benutzeroberflächen und bietet die Möglichkeit, eine Vielzahl von Solvern, wie z. B. CPLEX, Gurobi, XPRESS, CONOPT, SNOPT, XA, BARON, LGO, KNITRO und IPOPT anzubinden. Damit können Optimierungsprobleme aus den Bereichen lineare Programmierung, nichtlineare Programmierung, ganzzahlige Programmierung, quadratische Programmierung mit einem System beschrieben und gelöst werden.
• Gurobi: Der Gurobi Optimizer ist eine Software für mathematische Optimierung. Gurobi ist ein Solver um numerische Programmieraufgaben zu lösen. Unterstützt werden lineare Programmierung (LP), quadratische Programmierung (QP), Programmierung mit quadratischen Nebenbedingungen (QCP), gemischt-ganzzahlige lineare Programmierung (MILP), gemischt-ganzzahlige quadratische Programmierung (MIQP) und gemischt-ganzzahlige Programmierung mit quadratischen Nebenbedingungen (MIQCP).
• gurobipy: Eine Schnittstelle zwischen Gurobi und Python. Hierdurch kann der Gurobi Optimizer direkt in selbst erstellte Python-Scripte integriert werden. Sei es als standalone Programm um bestimmte Modelle zu erstellen und lösen, welche ansonsten bspw. nicht “kompakt” formuliert werden können, als Hilfsmittel um die berechneten Daten des gelösten Mod weiterzuverarbeiten und durch die verschiedensten Python-Pakete zu visualisieren oder wenn der Optimierungsprozess nur ein Baustein in einem komplexeren Programm darstellt.
• und viele mehr…

Weitere Software kann bei Bedarf nach Rücksprache mit dem soda.lab Team installiert werden.

Vor dem Hintergrund einer steigenden Nachfrage nach Energie und der Endlichkeit fossiler Energieträger wie Öl und Gas stellt sich die Frage, wie unter einer zunehmend volatilen Energieerzeugung zukünftige Energiesysteme gestaltet werden sollen. Eine sektorübergreifende Planung von Energienetzen (d. h. eine integrierte Berücksichtigung von Strom, Gas, Fernwärme und Mobilität) bietet die Möglichkeit, Synergien zwischen verschiedenen Energieträgern zu nutzen und hierdurch Energiesysteme kosteneffizienter und CO2-ärmer zu gestalten sowie die Stabilität der Netze auch zukünftig zu gewährleisten. Durch eine integrierte Planung steigt jedoch auch die Komplexität, da viele Einflussfaktoren mit ihren Wechselwirkungen, unterschiedliche Interessen von beteiligten Akteuren sowie Unsicherheiten im Planungsprozess berücksichtigt werden müssen. Am Lehrstuhl für Wirtschaftsinformatik, insb. Operations Research werden in Kooperation mit Praxispartnern mathematische Entscheidungsmodelle und Optimierungsverfahren entwickelt, um bestehende Stromversorgungsnetze kostenoptimierend weiterzuentwickeln und sie für den sich ändernden Bedarf der Zukunft ausreichend zu dimensionieren; unsere Forschungsaktivitäten finden sich beispielsweise im Verbundprojekt FlexiEnergy verortet. Die Analyse der entwickelten Optimierungsmodelle und -verfahren mit Hilfe umfangreicher, auf Realdaten basierender Experimente erfolgt auf den modern ausgestatteten Rechnern im soda.lab.

Beim Umgang mit Naturkatastrophen, wie beispielsweise Überflutungen, Erdbeben und Orkanen, sind Katastrophenschutzorganisationen oftmals auf die Hilfe von Tausenden freiwilligen Helfer*innen aus der Bevölkerung angewiesen. Der Einsatz dieser sogenanten Spontanhelfenden muss koordiniert werden, damit die professsionellen Einsatzkräfte möglichst effektiv unterstützt werden können. Im heutigen Katastrophenschutz erfolgt eine solche Koordination jedoch nicht systematisch oder IT-gestützt. Am Lehrstuhl für Wirtschaftsinformatik, insb. Operations Research werden in Kooperation mit Katastrophenschutzorganisationen mathematische Modelle und Optimierungsverfahren entwickelt, die nach ihrer Integration in bestehende IT-Systeme eine mathematisch und algorithmisch fundierte Koordination von Spontanhelfenden gestatten; unsere Forschungsaktivitäten finden sich beispielsweise im Verbundprojekt KUBAS verortet. Die Analyse der entwickelten Optimierungsmodelle und -verfahren mit Hilfe umfangreicher simulativer Experimente erfolgt auf den modern ausgestatteten Rechnern im soda.lab.

Der Lehrstuhl für Wirtschaftsinformatik, insb. Social Computing untersucht im soda.lab “Social VR”. Dabei geht es um soziale Interaktion in virtuellen Räumen. Neben der zunehmenden Verbreitung im privaten Umfeld ist dieser Bereich auch interessant für Unternehmen. Hier wird beispielsweise mit VR im Trainingsbereich experimentiert, aber auch virtuelle Kooperation sind interessant oder das Hinzuziehen eines virtuellen Assistenten zu einer Problemstellung.

Wir widmen uns dem Social VR Thema mit Forschungsmethoden und Experimentalsettings, in denen wir in VR Umgebung erforschen und wie mit organisationaler sozialen Interaktionen umgegangen wird, z.B. mit Nähe, mit Blicken oder allgemein mit non-verbaler Kommunikation – bis hin zur Frage, wie Emotionen zwischen Akteuren besser unterstützt werden können als in den bisherigen Medien. In VR stehen uns hierbei auch interessante Datenzugänge offen, wie beispielsweise Armbewegungen oder Eye-Tracking.

Die JetBot-Open-Source-Plattform für KI-Roboter bietet Studierenden und Forschern alles, was sie für die Entwicklung kreativer und intelligenter KI-Anwendungen benötigen. Sie wird mit dem kleinen, aber leistungsstarken NVIDIA Jetson Nano-KI-Computer betrieben, der mehrere Sensoren und neuronale Netze parallel zur Objekterkennung, Kollisionsvermeidung und mehr unterstützt. Das alles in einer Vielzahl cooler Konfigurationen, mit denen ihr etwas Einzigartiges erstellen können.

Der NVIDIA® Jetson Nano™ ermöglicht es, Millionen von kleinen, energieeffizienten KI-Systemen mit unglaublichen neuen Funktionen auszustatten. So entstehen neue Möglichkeiten für eingebettete IoT-Anwendungen, wie zum Beispiel einfache Netzwerkvideorekorder (NVRs), Haushaltsroboter oder intelligente Gateways mit vollen Analysefähigkeiten.

Jetson Nano ist außerdem das perfekte Werkzeug, um die Grundlagen von KI und Robotik zu erlernen – anhand von vorgefertigten Projekten und mit der Unterstützung einer aktiven und leidenschaftlichen Entwicklergemeinde.