DataRobot bietet weiterhin Predictive AI für die Entwicklung und Anwendung von Vorhersagemodellen an. Automatisiertes maschinelles Lernen unterstützt dabei den Aufbau und Vergleich mehrerer Kandidaten. Daneben vermarktet der Anbieter inzwischen auch Funktionen für generative KI und Agenten.
Stand: 27. Oktober 2026. Dieses Profil konzentriert sich auf Predictive AI und AutoML. Es überträgt deren Funktionen nicht pauschal auf sämtliche anderen Teile der DataRobot-Plattform.
Von Daten zur Vorhersageaufgabe
Der dokumentierte Arbeitsablauf beginnt mit dem Import beziehungsweise der Aufbereitung von Daten. Anschließend werden Merkmale untersucht und für überwachte Aufgaben eine Zielvariable sowie Einstellungen des Experiments festgelegt. Daraus erzeugt die Plattform mehrere Modellkandidaten.
Definieren Sie vorab, welche Frage beantwortet werden soll und wann eine Vorhersage im echten Betrieb entsteht. Informationen, die zu diesem Zeitpunkt noch nicht vorliegen, dürfen die Bewertung nicht unbemerkt verbessern. Ein Beispiel ist ein nachträglich erfasster Status, der das vorherzusagende Ergebnis bereits verrät.
Modelle mit passenden Kennzahlen vergleichen
Die DataRobot-Dokumentation beschreibt ein Leaderboard und wählbare Optimierungsmetriken zum Modellvergleich. Welche Kennzahl sinnvoll ist, hängt von der Aufgabe und den Folgen unterschiedlicher Fehler ab. Ein insgesamt guter Wert kann Schwächen in wichtigen Teilgruppen oder seltenen Fällen verdecken.
Vergleichen Sie ausgewählte Modelle anhand konkreter Fehlvorhersagen und einer einfachen Ausgangslösung. Prüfen Sie bei zeitabhängigen Aufgaben die Reihenfolge und die spätere Prognosesituation. Eine hohe Platzierung allein reicht nicht als Entscheidung für den produktiven Einsatz.
Erklärungen und Visualisierungen
DataRobot nennt Werkzeuge für den Einfluss von Merkmalen, deren Beziehung zu Vorhersagen und Erklärungen einzelner Fälle. Die verfügbaren Darstellungen hängen vom Experimenttyp ab. Halten Sie allgemeine Aussagen über das Modell und die Erklärung einer konkreten Vorhersage auseinander.
Eine vom Modell genutzte Beziehung ist kein automatischer Nachweis einer Ursache. Kontrollieren Sie überraschende Auswertungen am Datenstand und prüfen Sie, ob die Erklärung zur richtigen Modellfassung gehört.
Ausgewähltes Modell in den Betrieb überführen
Der dokumentierte Ablauf umfasst die Übergabe an eine Registry, die Anwendung auf neue Daten und die Überwachung bereitgestellter Modelle. Vor der Bereitstellung empfiehlt die Dokumentation, Vorhersagen zu testen. Für wiederkehrende Ausführung müssen außerdem Eingaben, erwartete Ausgaben und Zuständigkeiten klar sein.
Behalten Sie nach dem Start Änderungen der Daten und die Qualität der Ergebnisse im Blick. Technische Verfügbarkeit, Datenabweichungen und fachliche Vorhersagequalität sind unterschiedliche Prüfungen. Auch automatisches Nachtraining benötigt festgelegte Regeln und nachvollziehbare Modellwechsel.
Zugang und Leistungsumfang
DataRobot ist ein kommerzielles Plattformangebot. Die Website nennt Test- und Demo-Einstiege. Daraus folgt keine dauerhafte kostenlose Nutzung sämtlicher Funktionen. Klären Sie Vertragsumfang, Betriebsform, Rechenkapazität und die konkret verfügbaren Modellierungs- und Überwachungsfunktionen.
Für wen passt Predictive AI?
Das Angebot kommt für Teams infrage, die Vorhersagemodelle systematisch entwickeln, vergleichen und betreiben möchten. Fachwissen über Daten und den Anwendungsfall bleibt wichtig. Ein begrenzter Pilot mit überprüfbarer Zielgröße hilft mehr als allgemeine Zusagen zu Zeitersparnis oder Genauigkeit.
Vertiefende Leitfäden
Der DataRobot-XAI-Leitfaden erklärt Feature Impact, einzelne Vorhersagen und die Prüfung von Erklärungen. Der Leitfaden für Forschungsmodelle vertieft die Bewertung mit unabhängigen externen Testdaten.
Quellen
Geprüft wurden die offiziellen Seiten DataRobot Predictive AI, Predictive Workflow und DataRobot Plattformübersicht. Ein eigener vergleichender Modelltest wurde nicht durchgeführt.
