DataRobot

Was ist DataRobot?

DataRobot ist eine Unternehmens-AI-Plattform von DataRobot, Inc., die zum Erstellen, Bereitstellen, Ausführen und Verwalten von Vorhersagemodellen sowie generativen AI-Anwendungen und Agentenworkflows dient. Sie vereint Datenexperimente, Asset-Verwaltung, Produktivbereitstellung, Überwachung und Genehmigungsprozesse in einer einheitlichen Umgebung und richtet sich vor allem an Organisationen, die eine skalierbare AI-Verwaltung benötigen.

Das aktuelle Produkt verwendet Workbench, Registry und Console als zentrale Arbeitsbereiche. Die Benutzer können sowohl über die grafische Benutzeroberfläche im Browser arbeiten als auch Prozesse über einen Code-Client, die Kommandozeile sowie REST-APIs automatisieren.

Hauptfunktionen

• Prognosen mit KI und AutoML: Nach dem Import strukturierter, zeitlicher, textueller, bildbasierter oder geografisch-räumlicher Daten können Datenverarbeitung, Feature-Engineering, Modelltraining und -Optimierung durchgeführt werden, sowie mehrere Algorithmen miteinander verglichen werden.
• Spezielle Modellierungsaufgaben: Unterstützt Workflows für Klassifizierung, Regression, Mehr-Label-, Mehr-Klassifizierungsverfahren, Zeitreihenvorhersagen, Anomalieerkennung und Clustering – geeignet für Bedarfsprognosen, Risikobewertungen, Betrugserkennung und Qualitätskontrolle.
• Modellinterpretation und Qualitätsprüfung: Die Vorhersagen werden mithilfe von Ansichten wie Merkeleffekten, SHAP, LIME, Koeffizienten sowie Merkteleffekten interpretiert. Zudem werden Funktionen wie Fehlererkennung, externe Testdatensätze und automatisierte Konformitätsdokumentation bereitgestellt.
• Experimente mit generativer KI: Es ist möglich, große Sprachmodelle, Embedding-Modelle, Vektordatenbanken, Suchmaschinen sowie Prompt-Formulierungen zu vergleichen, um Anwendungen für RAG, Dokumentenfragen, Datenfragen und Inhaltsgenerierung zu erstellen. Die verfügbaren Modelle und Funktionen hängen von der Paketauswahl sowie den Einstellungen des Administrators ab.
• Entwicklung von Agenten: Unterstützung bei der Registrierung von Tools und Daten, Speicherung von Vektoren, vorgefertigte Komponenten sowie Vorlagen für Frameworks wie CrewAI, LangGraph, LlamaIndex usw. Zudem ist es möglich, extern entwickelte Agenten in die Plattform einzubinden.
• Bewertung und Governance: Es ist möglich, Agenten oder generative AI-Workflows nebeneinander zu testen, um durch Tracking, Genealogie, Freigabeprozesse, Konformitätsprüfungen, Schutzmechanismen sowie manuelle Eingriffe Produktionsrisiken zu kontrollieren.
• Einsatz und MLOps: Nach der Registrierung einer Modell- oder Agentenversion können batchbasierte oder Echtzeit-Dienste erstellt werden. Dabei kann die Genauigkeit, Datendrift, Verzögerungen, der Gesundheitszustand des Dienstes, die Kosten sowie benutzerdefinierte Geschäftsindikatoren überwacht werden. Zudem können Versionen ohne Unterbrechung des Dienstes ausgetauscht werden.
• KI-Anwendungen: Es können Anwendungsvorlagen, kodenlose Anwendungen oder eigene Anwendungen mit Streamlit, Flask usw. verwendet werden, damit Geschäftsbenutzer Daten einreichen, Vorhersagen einsehen und Ergebnisse teilen können.

Eingabe, Verarbeitung und Ausgabe

Die Anschlüsse decken gängige Datenbanken, Data-Warehouses und Objektspeicher ab und bieten Anleitung zur Integration in AWS, Azure, Google Cloud und Snowflake. Die tatsächlich verfügbaren Anschlüsse, Modelle, Rechenressourcen und Bereitstellungsziele werden durch die Version, Region, Organisationslizenz sowie die Einstellungen des Administrators bestimmt.

Verwendungsprozess

1. Bewerben Sie sich um einen einmaligen Test oder wenden Sie sich an den Vertrieb, um eine Organisation einzurichten. Wählen Sie je nach Anforderungen bezüglich Konformität, Datenspeicherung und Infrastruktur zwischen einem gehosteten SaaS-, VPC- oder selbstverwalteten Umfeld.
2. Erstellen Sie im Workbench einen neuen Use Case und importieren Sie Daten durch das Hochladen von Dateien oder die Konfiguration von Connectoren; für generative KI- und Agentenaufgaben müssen zudem Modelle, Wissensdatenbanken, Tools sowie Anmeldeinformationen ausgewählt werden.
3. Wählen Sie zwischen Vorhersage, generativer KI oder Agenten-Workflows, um in einer grafischen Benutzeroberfläche oder in einer Code-Umgebung Kandidaten zu trainieren, zu kombinieren, zu debuggen und zu vergleichen.
4. Die Wirksamkeit wird mithilfe eines Validierungssets, Geschäftsindikatoren, Konformitätsprüfungen und manueller Überprüfungen bewertet, um Abweichungen, Halluzinationen, Prompt-Injection, Datenlecks von persönlichen Informationen sowie Kostenrisiken zu identifizieren.
5. Die in den Tests bestandenen Modelle, Anwendungen oder Agenten werden im Registry registriert, wobei Versionen, Metadaten, Testergebnisse, Freigabestatus und relevante Dokumente gespeichert werden.
6. Einsatz auf DataRobot-hosteten Rechnern, dedizierten Vorhersagemaschinen oder in externen Umgebungen sowie Erstellung von Schnittstellen oder gemeinsam genutzten Anwendungen für die Aufrufe durch Geschäftsunternehmen.
7. In der Konsole werden Qualität, Drift, Verzögerungen, Aufrufverläufe sowie der Servicezustand überwacht. Es werden Alarme, Eingriffe und Freigabeverfahren konfiguriert, und anschließend werden die Versionen anhand der Rückmeldungen aus der Produktion aktualisiert.

Probephase und Zahlungsmöglichkeiten

Die Testphase beginnt ab dem Tag der Registrierung. Die Arbeitsprozesse zur Modellierung werden der Account-Zugehörigkeit zugeordnet und unter den Organisationsmitgliedern geteilt. Einige fortgeschrittene Vorlagen sowie Rechenressourcen sind nicht verfügbar. Nach Ablauf der Testphase muss man sich an den Verkauf wenden, um auf eine höhere Version upzugraden. Falls keine Erweiterung vorgenommen wird, werden die Daten und Ressourcen aus der Testphase 30 Tage nach Ablauf dauerhaft gelöscht.

Im offiziellen Angebot wird kein einheitlicher Preis angegeben; die Preise variieren je nach Art der Implementierung, dem Benutzer, den Rechenleistungen, der Inferenzfähigkeit sowie dem Umfang der angebotenen Dienste. Laut den Bedingungen der Self-Service-Plattform müssen die bereits entstandenen Kosten sowie die gekauften Credits im Voraus bezahlt werden – es erfolgt keine Rückerstattung. Bei Unternehmensverträgen können unter bestimmten Kündigungs- oder Abhilfemöglichkeiten andere Bedingungen gelten. Vor dem Kauf sollten stets die konkreten Bestellbedingungen sowie der Vertrag herangezogen werden.

API, Client und Code-Repository

1. Erhalten Sie im Konto ein API-Token und bestätigen Sie die API-Endpunkte für Ihre Region oder Ihren self-managed Instance, um zu vermeiden, dass das Token in öffentliche Code-Repositorien geschrieben wird.
2. Die Authentifizierung kann über die REST-API, die DataRobot CLI oder den Python-Client erfolgen. Zudem kann die Organisation OAuth sowie einen Unternehmensidentitätsanbieter konfigurieren.
3. Datensets, Projekte, Modelle, Vektordatenbanken, Anwendungen, Deployments, Vorhersageaufgaben sowie Überwachungsressourcen werden über Schnittstellen erstellt und verwaltet.
4. Rufen Sie die Bereitstellungs-API in automatisierten Skripten oder Geschäftsanwendungen auf und führen Sie sie unter Einbeziehung von Throttling, Fehlerbehandlung, Auditing sowie Schlüsselwechselstrategien in Betrieb.

Öffentliche Clienten, Vorlagen oder Beispielcode stellen keine Offenlegung des Kerns der Plattform dar. Bei der Vorbereitung von Code für kommerzielle Zwecke, bei Änderungen oder bei der erneuten Verbreitung sollte man jeweils die Lizenzen des Zielrepositoriums sowie der Softwarepakete prüfen – anstatt die Lizenzen anderer DataRobot-Projekte zu verwenden.

Deploy-Plattformen und Integration

Es wurde bisher keine offizielle iOS-, Android-Native-App oder Chrome-Erweiterung von DataRobot, Inc. bestätigt. Die App mit dem gleichen Namen, DataBot, hat nichts mit diesem Produkt zu tun. Ob mobile Geräte eine vollständige Nutzung ermöglichen, muss anhand der Browserkompatibilität sowie der Sicherheitsrichtlinien des Unternehmens überprüft werden.

Datenschutz, Sicherheit und Hinweise zu Daten

• Die Plattform gibt an, dass sowohl übertragenes als auch statisches Datenmaterial verschlüsselt wird, und weist auf die Konformität mit ISO 27001 sowie SOC 2 Type II hin; SaaS-Lösungen für einen einzelnen Kunden, die HIPAA-konform sind, gelten nur im Rahmen der jeweiligen Produkte und Verträge.
• SaaS kann Kennzahlen wie die Anzahl der Anmeldungen, die Anzahl der eingesetzten Instanzen sowie die Nutzung der Funktionen erheben. Zudem werden Metadaten zu Modellen, Projekten und Datensätzen analysiert, nachdem persönliche Informationen und Kundendaten entfernt wurden.
• Nach Beendigung oder Deaktivierung des Kontos werden die Kundendaten gelöscht und die Nutzungsindikatoren anonymisiert, doch persönliche Informationen wie Kontaktdaten und Benutzerprofile können aus geschäftlichen oder rechtlichen Gründen weiterhin aufbewahrt werden.
• Dienstleister für Hosting, Speicherung, Abrechnung, Analyse und Support können personenbezogene Daten im Umfang, der zur Erfüllung der Verpflichtungen erforderlich ist, verarbeiten; globale Dienste können außerdem eine grenzüberschreitende Übertragung beinhalten.
• Die Organisation sollte vor dem Hochladen der Daten Prüfungen hinsichtlich Legalität, Minimierung und Desensibilisierung durchführen und sensible Daten anhand der Datenverarbeitungsvereinbarungen, der Liste der Unterauftragnehmer, der regionalen Vorgaben sowie der Aufbewahrungsrichtlinien bewerten.
• Modellklärungen, automatische Konformitätsdokumente, Schutzmaßnahmen und Überwachung können eine rechtliche Prüfung oder manuelle Überprüfung nicht ersetzen; bei Entscheidungen mit hohem Risiko müssen weiterhin Verantwortliche sowie Verfahren für Genehmigung und Beschwerden festgelegt werden.

Geeignet für Nutzer und typische Szenarien

• Data-Science-Team: Massenvergleich von Modellen, Verwaltung von Experimenten und automatische Erstellung von Modell-Erklärungen.
• AI-Entwicklerteam: Entwicklung von RAG, Agenten und benutzerdefinierten Modellen sowie Bereitstellung in der Produktion über ein zentrales Register.
• MLOps und Plattformteams: Zentrale Bereitstellung, Überwachung, Ersetzung und Verwaltung von internen oder externen Modellen.
• Regulierte Organisationen: Durchführung von Genehmigungen, Abstammungsprüfungen, Abweichungsprüfungen und Prüfdokumentationen in den Bereichen Finanzen, Gesundheitswesen, Fertigung oder im öffentlichen Sektor.
• Business-Analyse- und Betriebsteam: Durch den gemeinsamen Einsatz von Funktionen zur Prognose, zur Erkennung von Abweichungen, zur Bedarfsprognose sowie zur Beantwortung von Datenfragen.

Fähigkeitsgrenzen

• Das Produktangebot ist umfangreich, die Einrichtung, Berechtigungen, Datenverbindungen sowie die Konfiguration von LLMs und Rechenressourcen sind komplex. In der Regel erfordert dies die gemeinsame Umsetzung durch Teams für Daten, Ingenieurwesen, Sicherheit und Geschäftsführung.
• Die Testversion bietet nur Batch-Prognosen und beschränkt die Anrufe bei Mitgliedern, Vektordatenbanken und LLMs; daraufhin lässt sich kein vollständiger Einblick in die Echtzeit-Verarbeitung, GPU-Nutzung oder die Produktionskosten im großen Maßstab gewinnen.
• Die Verfügbarkeit von Modellen, Vektordatenbanken und Drittanbieter-Frameworks kann je nach Region, Version, Administrator-Einstellungen sowie Lieferanten variieren. Vor der Migration sollte die aktuelle Unterstützungsmatrix überprüft werden.
• Die Plattform kann Anzeichen für Abweichungen, Illusionen, Drift sowie Qualitätsmerkmale der Dienste liefern, doch die Erkennungsergebnisse sind keine Garantie für Genauigkeit oder Konformität.
• Die Preise für Unternehmenslösungen sind derzeit noch nicht bekannt. Die Kosten für Hardware, Cloud-Ressourcen, professionelle Dienstleistungen, Aufrufe von LLMs sowie externe Anbieter müssen separat bewertet werden.

Häufige Fragen

Wird DataRobot nur für AutoML verwendet?

Nein. Es bietet weiterhin automatisiertes Prognosemodellieren und umfasst gleichzeitig generative KI, RAG, Agentenentwicklung, Anwendungsverteilung, MLOps, Governance und Observabilität.

Gibt es eine dauerhaft kostenlose Version von DataRobot?

Ein dauerhaft kostenloses Abo ist derzeit noch nicht bestätigt. Aktuell ist nur ein einmaliger 30-tägiger Testlauf möglich; für die reguläre Nutzung muss man sich an den Verkauf kontaktieren, um eine Aufwertung zu beantragen.

Beinhaltet die Testversion Echtzeit-Prognosen?

Nicht enthalten. Der Testkonto bietet nur Massenvorhersagen sowie eine Vektordatenbank, Aufrufe von LLMs sowie Einschränkungen hinsichtlich Mitgliedern und Rechenressourcen.

Kann DataRobot lokal bereitgestellt werden?

Es ist möglich, eine selbstverwaltete Bereitstellung zu wählen; außerdem werden VPCs, gehosteter SaaS, private oder souveräne Umgebungen sowie isolierte Netzwerke unterstützt. Die genaue Architektur und der Umfang der Unterstützung werden in Abhängigkeit von dem Unternehmenskonzept festgelegt.

Ist DataRobot Open-Source-Software?

Die Plattform selbst ist kein Open-Source-Software. Einige Clients, Vorlagen und Beispieldatenbanken sind öffentlich zugänglich, doch die Lizenzen unterscheiden sich. Der Python-Client verwendet außerdem ein eigenes Protokoll für Tools.

Was passiert mit den Daten, wenn die Probephase abläuft?

Falls keine Anfrage zur Erweiterung durch den Vertrieb gestellt wird, werden die Testdaten und -ressourcen 30 Tage nach Ablauf der Testphase dauerhaft gelöscht. Modelle, Dokumente und Ergebnisse, die aufbewahrt werden sollen, müssen vor Ablauf der Frist auf die zulässige Weise exportiert werden.