KnowAIDE: eine FAIR-konforme Datenumgebung zur Beschleunigung der KI-Forschung

Die zunehmende Komplexität und das Volumen von Daten aus heterogenen Quellen in der wissenschaftlichen Forschung erfordern eine Infrastruktur, die sicherstellt, dass Daten auffindbar, zugänglich, interoperabel und wiederverwendbar (FAIR) sind. Dieser Artikel stellt KnowAIDE vor, eine auf Künstlicher Intelligenz basierende Datenumgebung, die entwickelt wurde, um diese Anforderungen für groß angelegte Forschungsprojekte zu erfüllen. Die Architektur integriert das iRODS-Datenmanagementsystem für dateibasierte Ressourcen mit einer FROST-Server-Implementierung der OGC SensorThings API für Zeitreihendaten von Sensoren. Wir beschreiben die Systemarchitektur, bewerten ihre Übereinstimmung mit den FAIR-Prinzipien anhand standardisierter Bewertungswerkzeuge und führen einen vor-materialisierten Semantic Fusion Index ein, um die architekturelle Impedanzanpassung zwischen diesen Speichertechnologien zu lösen. Die Infrastruktur wurde im Rahmen des EDIAQI-Projekts, einer Multistudien-Anwendung zur Innenraumluftqualität, implementiert und validiert. Die Bewertung bestätigt einen hohen Grad an FAIR-Konformität, und vergleichende Benchmarks zeigen, dass der Semantic Fusion Index nahezu konstante Abrufzeiten aufrechterhält und eine 14-fache Beschleunigung gegenüber standardmäßigem API-Chaining für mehrjährige Datensätze erreicht. Diese Ergebnisse belegen die technische Machbarkeit der KnowAIDE-Architektur für die Verwaltung komplexer, heterogener Daten in kollaborativen wissenschaftlichen Umgebungen.