This page is available in German language only.
Medieninformatik-Studierende arbeiteten für ihr Semesterprojekt „Enterprise Data Management“ mit dem Springer Science + Business Media Verlag, dem Unternehmen Zalando AG und dem Unternehmen ubermetrics zusammen. Schwerpunkte im WS 2014/15 waren die Themen „Suche“ und Messbarkeit der Anfragegeschwindigkeit in verteilten System, wie Elastic Search oder Storm.
Springer Science: Eine Demo für die Intentions-basierte Suche
Mit welcher Intention startet ein Kunde von Springer Science eigentlich seine Suche? Können wir einen Spezialindex für diese Intentionen und mögliche Resultate eventuell sogar a-priori berechnen? Können wir den Kunden durch "Tricks" wie Instant Search und Autocomplete bereits während des Tippens der Anfrage zu einem besseren Ergebnis leiten?
[PDF] [DEMO]
Zalando AG
Stromdaten, wie Klicks, Käufe, Mausbewegungen, Cookies, Beacons etc., treten besonders häufig in den Portalen von Zalando auf. Wie gut leisten aktuelle Frameworks für Stromdaten, wie STORM oder KAFKA, typische Aggregationsanfragen? Insbesondere für ein verteiltes Setup? Wie gut sind diese Ansätze dokumentiert? Wie schnell gelingt die Einarbeitung?
[PDF]
ubermetrics: Ein Benchmarkgenerator für Aggregationsanfragen auf Elastic Search
uberMetrics Technologies entwickelt Softwaretechnologie an der Schnittstelle zwischen Social Media und Big Data und ermöglicht die Analyse von öffentlichen Kommunikationsinhalten aus über 300 Millionen Online-Quellen, Print-Medien und TV & Radiosendern. Dazu werden Aggregationsanfragen auf Text-basierten und relationalen Daten ausgeführt. Kann das Elastic Search Framework diese Anfragen effizient auf einem Datenbestand von ubermetrics ausführen?
[PDF] [DEMO]
DATEXIS: Gradient boosted Classification mit H2o
Können wir im parallel ausführbaren Klassifikationsframework H2o einen Entity Linker lernen? Wie gut ist H2o schon ausgereift für den Test auf mehreren Knoten?
[PDF]
