DataRobot ist ein US-Softwareunternehmen, dessen Plattform Organisationen beim Entwickeln, Betreiben und Überwachen von KI-Anwendungen unterstützt. Bekannt wurde es mit automatisiertem maschinellem Lernen (AutoML), bei dem viele Modellvarianten automatisch trainiert und verglichen werden – etwa um Kündigungen oder Nachfrage vorherzusagen. Heute stellt der Anbieter zusätzlich Betrieb und Governance von KI-Agenten in den Vordergrund (Stand: Oktober 2026).
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenMaschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer Muster aus Daten ableiten, statt jede Regel ausdrücklich programmiert zu bekommen. Je nach Aufgabe lernen Modelle aus beschrifteten Beispielen (überwacht), aus unbeschrifteten Daten (unüberwacht) oder durch Belohnung (bestärkend). Anwendungen reichen von Spamfiltern über Nachfrageprognosen bis zu Produktempfehlungen. Die Qualität hängt stark von Menge und Güte der Trainingsdaten ab.
Eine Machine-Learning-Pipeline ist eine festgelegte Abfolge von Arbeitsschritten, die Rohdaten in ein einsatzfähiges Modell überführt: Daten sammeln, bereinigen, Merkmale aufbereiten, trainieren, bewerten, bereitstellen und überwachen. Durch die Automatisierung werden Ergebnisse reproduzierbar, und neue Daten lassen sich mit wenig Aufwand verarbeiten. Ein Händler kann so etwa sein Absatzprognosemodell jede Woche automatisch mit aktuellen Verkaufszahlen neu trainieren und prüfen.
Amazon SageMaker ist der Cloud-Dienst von Amazon Web Services (AWS) zum Entwickeln, Trainieren und Betreiben von Modellen des maschinellen Lernens. Ende 2024 wurde der bisherige Dienst in „Amazon SageMaker AI“ umbenannt; „Amazon SageMaker“ bezeichnet seither eine umfassendere Plattform für Daten, Analytik und KI mit der Oberfläche SageMaker Unified Studio (Stand: Oktober 2026). Genutzt wird SageMaker vor allem von Data-Science-Teams, die Modelle in der AWS-Infrastruktur betreiben.
MLflow ist eine quelloffene Plattform zur Verwaltung des gesamten Lebenszyklus von Machine-Learning-Modellen, ursprünglich 2018 von Databricks vorgestellt. Sie protokolliert Experimente mit Parametern und Kennzahlen, verwaltet Modellversionen in einer Registry und erleichtert die Bereitstellung. Neuere Versionen unterstützen zudem das Nachverfolgen und Bewerten von Anwendungen mit Sprachmodellen. Teams können so nachvollziehen, welches Modell mit welchen Daten und Einstellungen entstanden ist.
