DataRobot und H2O.ai sind zwei beliebte KI-Cloud-Plattformen. Doch welche Lösung ist die beste für Ihr Unternehmen?
Zunächst etwas Hintergrund. KI-Cloud-Plattformen stellen Funktionen für künstliche Intelligenz (KI) und maschinelles Lernen (ML) bereit, die darauf ausgelegt sind, die Datenanalyse zu vereinfachen: Muster finden, Modelle erstellen, Simulationen und Was-wäre-wenn-Szenarien durchführen. Die Plattformen wollen außerdem den Anwendungsbereich dieser Technologie erweitern, um sie Business-Analysten, Softwareentwicklern, Enterprise-Architekten und IT-Betriebsteams zugänglich zu machen.
„Anbieter von KI-/ML-Plattformen stellen Plattformfunktionen und Tools für viele Rollen innerhalb eines Unternehmens bereit, damit Teams ein wachsendes Portfolio an KI-Lösungen entwickeln, operationalisieren und verwalten können“, sagte Mike Gualtieri, Analyst bei Forrester Research.
Nachdem dieser Hintergrund geklärt ist, sehen wir uns diese beiden führenden KI-Cloud-Plattformen, DataRobot und H2O.ai, genauer an. Wir prüfen die wichtigsten Funktionen und vergleichen sie, um Ihrem Unternehmen bei der Auswahl der optimalen Lösung für seine Anforderungen zu helfen.
Siehe auch: Was ist künstliche Intelligenz?
DataRobot vs. H2O.ai: Wichtige Funktionen
Die H2O AI Cloud wurde entwickelt, um komplexe Geschäftsprobleme mithilfe von Funktionen für automatisiertes maschinelles Lernen (AutoML) zu lösen, die angeblich die Erstellung und Nutzung von KI grundlegend verändern. Sie will KI demokratisieren und Datenwissenschaftlern gleichzeitig die benötigten Funktionen bereitstellen.
Die Plattform deckt den gesamten Lebenszyklus der Datenwissenschaft ab und optimiert Workflows, um die Quantität und Qualität der an Geschäftsbeteiligte gelieferten Projekte zu steigern. Sie umfasst Funktionen für die Interpretierbarkeit des maschinellen Lernens und den Betrieb. Sie wird von Datenwissenschaftlern, Entwicklern, Machine-Learning-Ingenieuren, Analysten und IT-Fachleuten eingesetzt.
H2O.ai bietet High-Performance-Computing mit Nvidia-Rapids-Integration und kann Workloads skalieren. Dafür werden Netzwerkbeschleunigung für Ampere-basierte Nvidia-GPUs und die neueste CUDA-Laufzeitumgebung unterstützt. Über eine Plattform-Performance-API können Benutzer die Systemauslastung überwachen sowie Metriken zur Ressourcenüberwachung und zur automatischen Skalierung von Multi-Node-Clustern bereitstellen. Der AI AppStore hilft Geschäftsanwendern zudem, individuelle KI-Anwendungen zu finden und darauf zuzugreifen.
DataRobot AI Cloud ist eine Machine-Learning-Plattform zur Automatisierung, Absicherung und Beschleunigung prädiktiver Analysen. Sie hilft Datenwissenschaftlern und Analysten, präzise Prognosemodelle in einem Bruchteil der Zeit zu erstellen und bereitzustellen, die andere Lösungen benötigen. Mit Diagrammen lässt sich der Fortschritt von Prognosen visuell verfolgen; außerdem können Workloads und Verzögerungen verwaltet werden. So können Benutzer sehen, welche Prognosen verzögert sind, warum sie sich verzögern und in welchem Zeitrahmen.
Eine weitere Funktion ermöglicht es Benutzern, den Daten-Drift über mehrere Merkmale (oder Gruppen von Merkmalen) sowie mehrere Zeiträume hinweg zu vergleichen. Dies ist sowohl für Trainings- als auch für Scoring-Daten möglich. Neben der Cloud ist auch eine verwaltete Version namens DataRobot Dedicated Managed AI Cloud verfügbar. Diese dedizierte, gehostete Version der AI Cloud wird von DataRobot-Experten verwaltet, um KI- und Machine-Learning-Projekte zu unterstützen. Sie bietet die Vorteile öffentlicher Cloud-Dienste und reduziert Kosten sowie die Zeit bis zur Wertschöpfung bei Bereitstellung, Aktualisierung und Verwaltung der KI-Infrastruktur.
Siehe auch: KI vs. ML: Künstliche Intelligenz und maschinelles Lernen
DataRobot vs. H2O.ai: Benutzerfreundlichkeit und Support
H2O.ai umfasst mehrere Funktionen, die auf Benutzerfreundlichkeit ausgerichtet sind. Die Plattform kann Probleme mit der Datenqualität automatisch visualisieren und beheben und Ihre Daten in einen optimalen Datensatz für die Modellierung umwandeln. Sie kann statistische Eigenschaften innerhalb von Datensätzen visuell darstellen und unerwartete Probleme mit der Datenqualität wie Ausreißer, Korrelationen oder fehlende Werte aufdecken. Visuelle und textuelle Beschreibungen helfen automatisch dabei, Trends und Erkenntnisse zu erkennen, darunter Themen in Texten, Korrelationen und Ausreißer.
Auch der No-Code-Ansatz von H2O.ai, der die Erstellung komplexer ML-Modelle beschleunigt, scheint bei den Benutzern gut anzukommen. Dadurch sollen sich detaillierte Modelle in wenigen Minuten erstellen lassen. Laut den Benutzern ist die Plattform gut in Amazon S3, Microsoft SQL Server und andere Tools integriert und bietet ein angemessenes Maß an Sicherheit. Nachteilig ist, dass sie bei etablierten Anbietern wie DataRobot noch aufholen muss und einige Funktionen fehlen. Ein Benutzer sagte, es sei schwierig, Daten nach dem Hochladen zu ändern, und der benutzerübergreifende Zugriff sei eingeschränkt. Andere wiesen auf eine Lernkurve bei der Bereitstellung und beim Umgang mit Experteneinstellungen für Datenwissenschaftler hin. Kundensupport und Dokumentation befinden sich ebenfalls noch in der Entwicklung.
DataRobot AI Cloud bietet zahlreiche Automatisierungsfunktionen, um alltägliche Abläufe in der Datenwissenschaft und bei der Modellerstellung zu beschleunigen. Die Plattform kann in jeder Kombination aus öffentlichen Clouds, Rechenzentren oder am Edge betrieben werden. Benutzer schätzen die Governance- und Datenschutzfunktionen.
Der Single-Platform-Ansatz von DataRobot AI Cloud bietet Datenwissenschaftlern, Analytics-Experten, der IT und dem Geschäft eine einheitliche Ansicht aller Daten aus jeder Quelle und jedes Typs. Benutzer merken an, dass die Plattform einfach zu bedienen und an die eigenen Anforderungen anzupassen ist. Außerdem soll sie Modelle der meisten Typen schnell und effektiv erstellen können.
Die Automatisierung beseitigt einen Großteil des Programmieraufwands. Sie automatisiert die Einrichtung, das Testen und die Verwaltung von Modellen. Modelle können aus jeder Datenquelle erstellt werden, darunter Tabellen und Klartext sowie grafische und geografische Daten. Es gibt jedoch auch einige negative Kommentare. Die Tools zur Interpretation der Ergebnisse sind mitunter nicht besonders benutzerfreundlich, und es kann an Flexibilität fehlen. Einige sagen, dass die Plattform gelegentlich die Quantität der Modellierung über die Qualität stellt. Andere beklagen, dass es so viele Optionen gibt, dass die richtige Auswahl schwierig sein kann. Ein Benutzer sagte, er wünsche sich, dass sich riesige Datensätze leichter hochladen und integrieren ließen.
Bei Benutzerfreundlichkeit und Support gibt es nur geringe Unterschiede zwischen den beiden Lösungen. H2O.ai erhält aufgrund einer etwas besseren Bewertung der Benutzerfreundlichkeit von Gartner Peer Reviews den Vorzug.
Siehe auch: Die besten Unternehmen für Natural Language Processing
DataRobot vs. H2O.ai: Datenwissenschaftler und Entwickler
Beide Plattformen werden von Datenwissenschaftlern eingesetzt. H20.ai verfügt über fortschrittliche AutoML-Funktionen, die den gesamten Lebenszyklus der Datenwissenschaft abdecken und Workflows optimieren, um sowohl die Quantität als auch die Qualität der an Geschäftsbeteiligte gelieferten Datenwissenschaftsprojekte zu steigern.
Die Plattform bietet robuste Funktionen für die Interpretierbarkeit und den Betrieb von Machine Learning sowie Kontrolle über die gesamte Erklärbarkeitspipeline. Für Entwickler konvertiert H2O.ai Bereitstellungsartefakte automatisch von Python/R in Java/C++, um die Übergabe von Projekten zwischen Datenwissenschaftsteams und Entwicklern zu vereinfachen. Der Entwicklungsansatz ist Open Source und Low Code und bietet genügend Flexibilität für die Arbeit mit allen wichtigen Bibliotheken und Frameworks. Die Funktionen zur Modellüberwachung unterstützen sowohl H2O.ai-Modelle als auch Modelle von Drittanbietern. Der Zugriff erfolgt über eine visuelle Oberfläche oder eine API.
Auch DataRobot erleichtert die Nutzung von Open-Source-Modellierungstechniken aus R, Python, Spark, H2O, VW, XGBoost und weiteren Quellen. Kleine Datenwissenschaftsteams können damit zahlreiche Modelle erstellen und bereitstellen. Statt jedes einzelne Modell mühsam erstellen zu müssen, wirkt die Plattform als Produktivitätsmultiplikator. Die Bibliothek mit Algorithmen und vorgefertigten Prototypen ist für Feature-Extraktion und Datenaufbereitung nützlich. Durch die Automatisierung lassen sich mehrere Algorithmen auswählen und kombinieren, um präzisere Prognosemodelle zu erstellen. Die Plattform integriert Best Practices der Datenwissenschaft. Sie ermöglicht es Analysten und anderen Benutzern, Aufgaben der Datenmodellierung durchzuführen, für die zuvor ein hohes Maß an Fachwissen erforderlich war.
In dieser Kategorie gibt es kaum Unterschiede zwischen den beiden Plattformen.
Siehe auch: Die Zukunft der künstlichen Intelligenz
DataRobot vs. H2O.ai: Einschätzung der Analysten
Die jüngste Analyse von Forrester Research zu KI-/ML-Plattformen sieht DataRobot deutlich vor dem Leader H2O.ai. Forrester nannte DataRobot als eines von drei Unternehmen, die als Leader eingestuft wurden. Das Analystenhaus sagte, seine Kunden „schätzen den Aufstieg des Unternehmens von einem Nischenanbieter für automatisiertes maschinelles Lernen (AutoML) zu einer KI-Plattform für den gesamten Lebenszyklus“.
Als Stärken werden Tools und Funktionen für Datenaufbereitung, Modellbewertung und -erklärung, ModelOps sowie Anwendungsentwicklung genannt. Zuletzt hat das Unternehmen an Boden gewonnen, indem es Daten für die Modellierung ergänzen und anreichern kann und ein Plug-in-Framework hinzugefügt hat, über das Partner unkompliziert Plattformfunktionen ergänzen können. Laut Forrester ist die Einstiegshürde für die Einführung der Plattform relativ niedrig; Benutzer äußerten sich positiv über die Benutzerfreundlichkeit und die Modelldokumentation.
„DataRobot ist eine solide Option für Unternehmen, die eine Plattform mit Tools für erweiterte KI-Teams wünschen und gleichzeitig Zusammenarbeit und Skalierung zur Verwaltung bestehender Anwendungsfälle sowie zur Entwicklung neuer Anwendungsfälle ermöglichen soll“, sagte Forrester-Analyst Gualtieri.
H2O.ai erhielt von Forrester die Bewertung Contender. Das Analystenhaus begrüßte den ML-Ansatz, sagte jedoch, dass die Plattform stärker auf KI ausgerichtet sein müsse. Die Open-Source-ML-Algorithmen nutzen verteilte Computing-Architekturen und Automatisierung, die Datenwissenschaftler einsetzen können. Es fehlen jedoch Tools für erweiterte KI-Teams, die die Plattform für Technologiepartner attraktiver machen würden. „H2O.ai verfügt über Stärken bei Training, Inferenz und ModelOps. KI-Teams, die Driverless AI einsetzen, können deutlich produktiver sein als Datenwissenschaftsteams mit einem strikt codebasierten Ansatz“, sagte Gualtieri. „Verbesserungspotenzial besteht beim Datenmanagement, bei der Sicherheit und bei einer für Partner erweiterbaren Architektur.“
Auch bei Gartner Peer Reviews lag DataRobot vorn. Benutzer bewerteten DataRobot bei Datenexploration, Datenvisualisierung und -aufbereitung, Modellverwaltung und Zusammenarbeit höher. H2O.ai erhielt bessere Bewertungen bei Prognosen, Optimierung, Simulation und Benutzererfahrung.
DataRobot gewinnt in dieser Kategorie.
Siehe auch: Die besten Tools für Datenanalysen
DataRobot vs. H20.ai: Fazit
Die Preise beider Plattformen sind alles andere als transparent. Der Konsens lautet jedoch, dass DataRobot insgesamt günstiger ist. Analystenbewertungen, Nutzerkommentare und Funktionsumfang sprechen offenbar eher für DataRobot als für H2O.ai.
H2O.ai holt jedoch schnell auf. Das Unternehmen ergänzt kontinuierlich Funktionen und entwickelt sich von einem Spezialisten für ML-Algorithmen zu einer umfassenderen KI-Plattform. DataRobot hat diese Entwicklung bereits vollzogen und liegt daher weiterhin vorn. Doch wie lange noch?
Siehe auch: Die besten Tools für Data Mining