In den letzten Jahren hat sich Cloud Computing für Unternehmen zu einer Alternative zu On-Premise-Lösungen entwickelt, um ihren IT-Stack zu hosten. Die Hauptidee hinter Cloud Computing ist es, remote gebündelte IT-Ressourcen, insbesondere Datenspeicher und Rechenleistung, anzubieten, ohne dass eine aktive Verwaltung durch den Benutzer erforderlich ist. Aufgrund von Skaleneffekten sind die Kosten für Cloud Computing oft deutlich geringer als bei On-Premise-Lösungen, und die Benutzer können ihre Ressourcen je nach Bedarf vergrößern oder verkleinern. Ein wichtiger Baustein von Unternehmensanwendungen sind heutzutage Datenbankmanagementsysteme (DBMS), die zum Speichern und Abfragen von Daten über Kunden, Aufträge usw. verwendet werden. Zum Zeitpunkt des Beginns dieser Forschungsarbeit im Jahr 2013 war es jedoch ein offenes Problem, die DBMS für Online-Analytical-Processing- (OLAP) und Online-Transactional-Processing- (OLTP) Arbeitslasten in die Cloud zu bringen, das gelöst werden musste. Der Hauptgrund war, dass die DBMS-Architektur, die in den 1980er Jahren entworfen wurde, nicht in der Lage war, die neuen Herausforderungen, wie Elastizität und Fehlertoleranz, die bei der Verlagerung von DBMS in die Cloud auftraten, optimal zu unterstützen. Im ersten Teil dieser Arbeit stellen wir XDB vor, eine neue parallele Datenbankarchitektur zur Unterstützung skalierbarer Datenanalysen in der Cloud. XDB implementiert daher nicht nur ein neues Partitionierungsschema, das elastische Skalierbarkeit unterstützt, sondern auch ein feinkörniges Fehlertoleranz-Kostenmodell, das die Gesamtlaufzeit einer Abfrage im Falle von Ausfällen minimiert. Zusätzlich zu den klassischen Datenbank-Workloads werden Deep Learning-Workloads in der Cloud immer wichtiger. Deep Learning (DL) auf tiefen neuronalen Netzen (DNNs) hat bewiesen, dass es komplexe Probleme wie Bildverständnis und Mustererkennung lösen kann. Das Training von DL-Modellen kann jedoch sehr viel Zeit in Anspruch nehmen. Um den Trainingsprozess zu beschleunigen, unterstützen mehrere moderne Frameworks für maschinelles Lernen verteilte DL. Allerdings müssen die Benutzer dieser Frameworks die Verteilungsstrategie (d. h. die Anzahl der Worker und Parameterserver) manuell festlegen, was ein langer und komplexer Prozess ist. Diese benutzerintensive Beteiligung macht diese Machine-Learning-Frameworks noch nicht bereit für die Cloud. Im zweiten Teil dieser Arbeit stellen wir XAI als eine Middleware für skalierbares maschinelles Lernen vor, die auf bestehenden maschinellen Lern-Frameworks aufgesetzt wird. Mit XAI wollten wir skalierbare Unterstützung für künstliche Intelligenz (KI) in der Cloud bereitstellen, ähnlich wie wir es im ersten Teil für DBMS getan haben. XAI implementiert einen neuen Ansatz zur Automatisierung des verteilten Einsatzes eines Deep Training-Jobs, der die Anzahl der Parameterserver und Worker optimal auswählen kann, um ein skalierbares Training in der Cloud zu erreichen. In diesem Fall verbringt der Benutzer von Frameworks für maschinelles Lernen nicht mehr viel Zeit damit, das Training und die Verteilungsstrategie des DL-Jobs manuell einzustellen.