Demonstratoren

*****

Open Call started!

Special Invitation for SMEs: Innovate with FAIR Data Spaces

Embrace the opportunity to lead in the digital frontier! FAIR Data Spaces project is calling for proposals to expand the project, pushing the boundaries of data management and collaboration between industry and research.

• Budget: Secure €60,000 to bring your visionary demonstrator to life.
• Visibility: Showcase your innovation within a network of esteemed industry and research partners.
• Impact: Contribute to a pioneering initiative, setting new standards in data accessibility, interoperability, and utility.

What We’re Looking For

• Enhancements to existing FAIR Data Spaces demonstrators
• New solutions addressing challenges at the nexus of research and industry

Deadline: May 7th

Don’t miss this chance to be at the forefront of data innovation. For submission details, refer to the tender documentation.

Join us in forging the path to a smarter, more connected data future.

*****

FAIR Data Spaces entwickelt seit Ende 2021 Demonstratoren zu einem Datenraum zu Biodiversität, zur Qualitätssicherung von Forschungsdaten und zur plattformübergreifenden Datenanalyse. Darin spielen bestehende und neue Infrastruktur- und Daten-Dienste nach den Gaia-X- und FAIR-Prinzipien zusammen.

Mehr Informationen zu den technischen Implementationen gibt es hier.

Demonstrator zu Biodiversität

In Zusammenarbeit mit der Geo Engine GmbH wird ein Gaia-X kompatibler Demonstrator auf Basis der Geo Engine entwickelt. Die Geo Engine ist eine Cloud-basierte Forschungsumgebung, welche Datenquellen anbindet und Forschenden die Möglichkeit zu einer interaktiven und visuellen Verarbeitung raumzeitlicher Daten bietet. Im FAIR-DS-Demonstrator wird ein skalierbarer Zugriff auf die von NFDI4Biodiversity in einer Cloud zur Verfügung gestellten Daten unterstützt. Dies erfolgt auf Basis der Gaia-X Cloud Spezifikationen, die neben technischen auch rechtliche Rahmenbedingungen für den Datenaustausch schaffen. Im ersten Anwendungsfall in FAIR Data Spaces werden Daten aus der Wirtschaft (Satellitendaten) mit Daten aus der Wissenschaft (GFBio) kombiniert. Weitere Informationen zur Softwarekomponente Geo Engine gibt es hier.

Demonstrator zur Qualitätssicherung von Forschungsdaten

Der Zweck dieses Demonstrators ist es, den Einsatz von dezentralen Task-Runnern zur automatisierten Qualitätskontrolle und Datensicherung in einer allgemein verfügbaren oder einfach bereitgestellten Umgebung zu zeigen. Dabei nutzt der Demonstrator die Workflow-Engine, die von der Quellcode-Hosting-Plattform GitLab bereitgestellt wird, um Artefakte von Forschungsdaten zu analysieren, zu transformieren und zu verifizieren. Basierend auf vorgegebenen Schemadaten, analysiert der Demonstrator neu hinzugefügte Daten auf Kompatibilität und versieht diese bei Verletzung mit einer Warnung. Ein inkompatibler Datensatz kann so schnell bereinigt werden und anschließend reibungslos in die bestehenden Datensätze integriert werden. Mehr Informationen.

Demonstrator zur plattformübergreifenden Datenanalyse

Ziel dieses Demonstrators ist es, die aktuellen Ergebnisse von NFDI (insbesondere NFDI4Health) und MII in Bezug auf medizinische Datenstrukturen, Formate sowie ethische und rechtliche Anforderungen wiederzuverwenden und dabei kompatibel mit den Gaia-X Spezifikationen zu sein. Dazu wird eine plattformübergreifende Datenanalyse-Infrastruktur namens Personal Health Train (PHT) verwendet. Die wichtigsten Elemente des PHT-Ökosystems sind die sogenannten Trains und Stations, eine Analogie zu Zügen und Haltestationen. Der Zug kapselt die Analyseaufgaben mit Hilfe von Container-Technologien. Züge enthalten alle Voraussetzungen, um die Daten abzufragen, den Algorithmus auszuführen und die Ergebnisse zu speichern. Stationen fungieren als Datenlieferanten, die Datenbestände verwalten. Zur Analyse der dezentralisierten Daten wird ein bestimmter Zug nacheinander an jede Station übertragen. Der Zug führt die Analyseaufgabe durch und berechnet die Ergebnisse (z. B. Statistiken) auf der Grundlage der lokal verfügbaren Daten. Weitere Informationen gibt es hier.

ELSA Training für Data Scientists

Ziel dieses Aufgabe ist die Entwicklung einer Reihe von Kernelementen für die ELSA-Schulung, also das Training bezüglich ethischer, rechtlicher und gesellschaftlicher Aspekte für Datenwissenschaftler. Durch die Schulung zu ELSA-Themen können so potenzielle relevante Herausforderungen, die während der Phasen eines Data-Science-Projekts auftreten können, erkannt und entschärft werden.

In einem ersten Schritt wurde die aktuelle ELSA-Ausbildungslandschaft, wie sie sich in den bestehenden Richtlinien, Kursen, Programmen und Lehrplänen manifestiert, analysiert und beschrieben. Zudem wurde das Profil bestehender und zukünftiger Data Scientists beschrieben. Die Ergebnisse wurden im ersten FAIR-DS ELSA Workshop präsentiert und sind Teil der Veröffentlichungen in der FAIR Data Spaces Community in Zenodo.

In einer Reihe von vertiefenden Workshops in 2022 mit einer Vielzahl an Domänenexperten, sowohl von innerhalb als auch außerhalb von FAIR DS, wurde Material für eine erste Version eines ELSA-Curriculums für Data Scientists gesammelt. Aktuell wird basierend auf diesem Material die erste Curriculumsversion vervollständigt. In einem nächsten Schritt wird das Curriculum dann den Gaia-X-Industriepartnern sowie der breiteren Community zur Kommentierung vorgelegt. Basierend darauf wird ein ELSA-Curriculum als Ergebnis dieses Arbeitspakets vorgeschlagen.

Weitere Arbeitspakete

Förderkennzeichen FAIRDS