H2O Driverless AI ist ein aktives kommerzielles Angebot für automatisiertes maschinelles Lernen. Es unterstützt unter anderem Merkmalsaufbereitung, Modellsuche und Abstimmung. Hinzu kommen Werkzeuge zur Modelldokumentation und Erklärbarkeit.
Stand: 27. Oktober 2026. Dieser Leitfaden konzentriert sich darauf, Modelle und ihre Erklärungen zu prüfen. Driverless AI ist ein separates Angebot und nicht mit der offenen H2O-3-Engine gleichzusetzen.
AutoML liefert Kandidaten, keine Gewissheit
Die Herstellerdokumentation beschreibt automatisierte Schritte für Merkmale, Modellvalidierung, Modellauswahl und weitere Verarbeitung. Das kann den Vergleich mehrerer Kandidaten unterstützen. Ob ein Modell für eine konkrete Aufgabe geeignet ist, muss anhand unabhängiger Daten und fachlicher Fehlerfälle beurteilt werden.
Definieren Sie die Zielgröße, bevor Sie einen Versuch starten. Prüfen Sie, ob Eingabemerkmale beim späteren Einsatz wirklich verfügbar wären. Eine hohe Kennzahl auf ungeeignet aufgeteilten Daten kann die spätere Leistung deutlich überschätzen.
Was AutoDoc dokumentiert
Die aktuelle Produktseite nennt AutoDoc als integrierte Modelldokumentation. Solche Berichte können Daten, Verfahren, Validierung und Ergebnisse zusammenführen. Kontrollieren Sie, ob die dokumentierte Fassung zum tatsächlich ausgewählten Experiment und zum später exportierten Modell gehört.
Automatisch erzeugte Unterlagen ersetzen keine fachliche Prüfung. Ergänzen Sie die beabsichtigte Verwendung, bekannte Grenzen und offene Fragen aus Ihrem eigenen Einsatzfall. Ein vorhandener Bericht allein bestätigt weder die Eignung eines Modells noch eine externe Freigabe.
Erklärungen im richtigen Maßstab lesen
Driverless AI führt Werkzeuge für Machine Learning Interpretability auf. Der Anbieter nennt unter anderem Shapley-basierte Auswertungen und weitere Verfahren zur Erklärung von Modellverhalten. Prüfen Sie bei jeder Darstellung, ob sie das allgemeine Verhalten über viele Vorhersagen oder einen einzelnen Fall beschreibt.
Ein wichtiges Merkmal im Modell belegt keinen ursächlichen Einfluss in der realen Welt. Ebenso erklärt ein lokaler Beitrag zu einer einzelnen Vorhersage nicht automatisch das Verhalten aller Fälle. Vergleichen Sie mehrere Beispiele, besonders typische Fehlvorhersagen und ungewöhnliche Eingaben.
Ergebnis, Erklärung und Export verbinden
Die Dokumentation beschreibt Python- und Java-basierte Scoring-Artefakte für die Anwendung trainierter Modelle. Kontrollieren Sie beim Export, dass Modellfassung, Eingabeverarbeitung und erwartete Ausgaben zusammenpassen. Eine Erklärung zu einem anderen Experiment kann für das tatsächlich eingesetzte Modell irreführend sein.
Halten Sie Datenstand, Modellkennung, Parameter und Bewertungsmaß fest. Prüfen Sie nach Änderungen erneut relevante Testfälle. Bei dauerhaftem Betrieb sind außerdem Zuständigkeiten für Fehler, Datenänderungen und die spätere Überprüfung des Modells zu klären.
Zugang und Auswahl
Der Hersteller bietet Driverless AI mit kommerziellem Zugang und Demo an. Klären Sie Lizenz, Rechenumgebung, benötigte Erklärungsfunktionen und Ausgabeartefakte am konkreten Angebot. Aus der Open-Source-Lizenz von H2O-3 folgt keine kostenlose Nutzung sämtlicher Driverless-AI-Funktionen.
Quellen
Geprüft wurden die offiziellen Seiten H2O Driverless AI, die aktuelle Driverless-AI-Dokumentation und die Abgrenzung zu H2O-3. Die Prüfhinweise sind redaktionelle Vorschläge; ein eigener Modellbenchmark wurde nicht durchgeführt.
