Parallélisme et Bases de Données

Responsable : Sophie ROBERT

Présentation - Membres Publications de l'équipe Projets de l'équipe Actualités de l'équipe

L’équipe PAMDA (Parallélisme et Bases de Données) s'inscrit principalement dans le pôle de recherche Intelligence Artificielle & Sciences des données du LIFO. Elle a pour objectif de développer des méthodes performantes et innovantes pour le traitement de données massives et complexes. Ses travaux s’articulent autour de deux axes complémentaires.

  • Axe Bases de données : Étude de la structuration, de l’interopérabilité entre modèles et de l’interrogation intelligente de données souvent incomplètes ou incertaines. Cet axe s’intéresse au développement de mécanismes hybrides combinant données factuelles et modèles prédictifs afin de fournir des réponses plausibles ainsi qu’au développement de langages déclaratifs et d’algorithmes pour l’exploration interactive de gros volume de données pour en faciliter l’analyse. Dans ce contexte, un intérêt particulier est porté aux bases de données graphe.

  • Axe Parallélisme : Exploration de modèles de parallélisation et de traitement de données à grande échelle, avec un intérêt particulier pour les approches de parallélisme implicite et les patterns de programmation spécialisés adaptés à différentes architectures, telles que les multicœurs distribués et l’accélération GPU. Ces travaux se font en lien étroit avec des applications dans différents domaines, notamment les géosciences et la biologie, afin de répondre à des problématiques réelles nécessitant des traitements performants et efficaces.

Ces deux axes collaborent afin de concevoir des solutions à la fois performantes, accessibles aux non-spécialistes et optimisées en termes de temps d’exécution, de consommation énergétique et de gestion des ressources. Actuellement, en lien avec plusieurs collaborations nationales et internationales, l’équipe s’investit particulièrement dans la recherche sur l’analyse de données par études de similarités avec une approche transversale des aspects fondamentaux sur les données à l’optimisation et les modèles de parallélisation pour des architectures hybrides.

Nombre de membres : 13