Databricks hat seine nach der 1,3-Milliarden-Dollar-Akquisition von MosaicML entstandene Plattform zu Mosaic AI ausgebaut und stellt fünf neue Enterprise-Werkzeuge für LLM-Entwicklung, Fine-Tuning und Deployment bereit. Für Unternehmen, die generative KI produktiv einsetzen wollen, adressiert Mosaic AI drei zentrale Hindernisse: Modellqualität, Kosteneffizienz und Datenschutz. Die neue TAO-Methode ermöglicht LLM-Fine-Tuning ohne aufwendiges Datenlabeling. MLflow 3 ergänzt dies um einheitliches Tracking und Evaluation über den gesamten Produktionslebenszyklus. Entscheider gewinnen damit eine integrierte Plattform, die den bisherigen “Data-Labeling-Engpass” reduziert.

Databricks Mosaic AI: Unified GenAI-Plattform für LLM-Deployment und Fine-Tuning im Enterprise

Databricks hat seine 2023 für 1,3 Milliarden US-Dollar übernommene MosaicML-Plattform unter dem Namen Mosaic AI neu ausgerichtet und zu einem zentralen Bestandteil seines KI-Angebots für Unternehmen gemacht. Auf dem Data + AI Summit stellte das Unternehmen fünf neue Werkzeuge vor, die den gesamten Lebenszyklus von Large Language Models abdecken sollen.

Fünf neue Werkzeuge für den Enterprise-Einsatz

Zum Launch gehören der Mosaic AI Agent Framework, Mosaic AI Agent Evaluation, Mosaic AI Tools Catalog, Mosaic AI Model Training sowie das Mosaic AI Gateway. Laut Databricks-CEO Ali Ghodsi zielen die Neuerungen auf drei Kernanforderungen ab, die Unternehmenskunden durchgehend benennen: höhere Modellqualität und Zuverlässigkeit, Kosteneffizienz sowie der Schutz sensibler Unternehmensdaten.

CTO Matei Zaharia ergänzte, dass Unternehmen, die LLMs produktiv einsetzen, zunehmend auf kontrollierbare, anpassbare Systeme angewiesen seien statt auf generische Standardmodelle.

Fine-Tuning ohne Datenlabels: Die TAO-Methode

Ein weiterer Baustein ist die neu vorgestellte Forschungsmethode Test-time Adaptive Optimization (TAO), die das Mosaic-Research-Team bei Databricks entwickelt hat. Das Verfahren ermöglicht es, LLMs auf domänenspezifische Unternehmensanforderungen anzupassen, ohne dass labellierte Trainingsdaten vorliegen müssen. Laut Databricks sollen mit TAO Ergebnisse erzielt werden, die traditionelles Fine-Tuning auf Basis tausender gelabelter Beispiele übertreffen.

Das adressiert einen konkreten Engpass in Enterprise-KI-Projekten: Das aufwändige Sammeln, Kuratieren und Labeln domänenspezifischer Daten verzögert Deployments oft um Monate. TAO setzt stattdessen auf bereits vorhandene Eingabedaten der Unternehmen.

MLflow 3: Beobachtbarkeit über den gesamten Lebenszyklus

Parallel dazu steht MLflow 3 für GenAI bereit, eine offene Plattform, die Tracking, Evaluation und Observability für GenAI-Anwendungen und Agenten vereint. Zu den zentralen Funktionen zählen Echtzeit-Trace-Logging, integrierte und anpassbare Scorer, die Einbindung von Nutzerfeedback sowie Versionsverfolgung.

Das auf Azure Databricks betriebene Managed MLflow erweitert die Open-Source-Basis um Funktionen für den Produktionsbetrieb: Enterprise-Governance, vollständig verwaltetes Hosting, produktionstaugliche Skalierung und Integration mit dem Databricks Lakehouse sowie Unity Catalog.

Praktische Implikationen für Entscheider

1. Niedrigere Einstiegshürde für domänenspezifische Modelle: Mit TAO entfällt der kostenintensive Aufbau gelabelter Datensätze. Unternehmen, die bislang an diesem Aufwand gescheitert sind, erhalten einen alternativen Pfad zur Modellspezialisierung. Wer die Kostenstrukturen verschiedener LLM-Ansätze vergleichen möchte, findet relevante Benchmarks im Bereich LLM-API-Kostenvergleich und Latenz-Rankings.

2. Durchgängige Qualitätssicherung statt Punkt-Evaluierung: MLflow 3 ermöglicht eine kontinuierliche Beobachtbarkeit von GenAI-Anwendungen in der Produktion. Das ist insbesondere für Unternehmen relevant, die agentische Systeme betreiben, bei denen klassische Softwaretests nicht greifen. Agentische KI-Architekturen werden etwa im Kontext von Claude 4 Agentic vs. Non-Agentic API ausführlicher diskutiert.

3. Datenschutz und Kontrolle als Architekturmerkmal: Die Integration in das Databricks Lakehouse und Unity Catalog bedeutet, dass Unternehmen ihre Trainingsdaten nicht an externe Dienste übergeben müssen. Das ist angesichts der DSGVO-Anforderungen an LLM-Auftragsverarbeitung und der BSI-Richtlinien für sichere KI-Systeme ein relevantes Argument für regulierte Branchen.

4. Plattformstrategie statt Einzelwerkzeuge: Databricks bündelt Agent-Entwicklung, Evaluation, Modelltraining und Gateway in einer integrierten Umgebung. Für Unternehmen, die bislang mehrere spezialisierte Anbieter koordinieren, reduziert das die Integrationskosten, schafft aber zugleich eine engere Plattformabhängigkeit. Ein Vergleich zu anderen Enterprise-GenAI-Plattformansätzen bietet der Artikel zu Google Cloud Vertex AI 2025.

Quellen

• Databricks expands Mosaic AI to help enterprises build with LLMs (TechCrunch)
• The TAO of data: How Databricks is optimizing AI LLM fine-tuning without data labels (VentureBeat)
• MLflow 3 for GenAI – Azure Databricks (Microsoft Learn)

Häufige Fragen

Was ist Mosaic AI und wie ist die Plattform entstanden?

Mosaic AI ist die KI-Plattform von Databricks, die aus der Akquisition von MosaicML hervorgegangen ist. Databricks übernahm MosaicML im Jahr 2023 für 1,3 Milliarden US-Dollar. Nach der Umbenennung in Mosaic AI wurde die Plattform schrittweise in das Databricks-Ökosystem integriert und bildet heute einen zentralen Bestandteil der KI-Lösungen des Unternehmens.

Welche konkreten Werkzeuge hat Databricks im Rahmen von Mosaic AI veröffentlicht?

Auf dem Data + AI Summit stellte Databricks fünf neue Mosaic-AI-Werkzeuge vor: das Mosaic AI Agent Framework, Mosaic AI Agent Evaluation, den Mosaic AI Tools Catalog, Mosaic AI Model Training sowie das Mosaic AI Gateway. Die Werkzeuge adressieren laut Unternehmensangaben die drei zentralen Enterprise-Anforderungen: Modellqualität und -zuverlässigkeit, Kosteneffizienz sowie Datenschutz.

Was steckt hinter der TAO-Methode von Databricks und welches Problem löst sie?

TAO steht für Test-time Adaptive Optimization, eine vom Mosaic-Forschungsteam bei Databricks entwickelte Methode zur Feinabstimmung großer Sprachmodelle. Der Ansatz ermöglicht es Unternehmen, LLMs ausschließlich mit bereits vorhandenen Eingangsdaten zu optimieren, ohne aufwendig beschriftete Trainingsdaten zu erstellen. Damit adressiert Databricks einen häufigen Engpass in der Enterprise-KI: den monatelangen Prozess der Datenbeschriftung, der Deployments verzögert oder zu suboptimalen Modellergebnissen führt.

Welche Rolle spielt MLflow 3 im Databricks-GenAI-Stack?

MLflow 3 ist eine offene Plattform, die Tracking, Evaluierung und Observability für GenAI-Anwendungen und Agenten über den gesamten Entwicklungs- und Produktionslebenszyklus hinweg vereint. Sie umfasst Echtzeit-Trace-Logging, integrierte und anpassbare Bewertungsmethoden, die Einbindung von menschlichem Feedback sowie Versionsverfolgung. Die von Databricks verwaltete Variante ergänzt das Open-Source-Projekt um Funktionen wie Enterprise-Governance, skalierbares Hosting und die Integration mit dem Databricks Lakehouse und Unity Catalog.

Für welche Unternehmen ist Mosaic AI geeignet und welche Voraussetzungen bestehen?

Mosaic AI richtet sich an Unternehmen, die Large Language Models in Produktivumgebungen einsetzen oder feinabstimmen möchten. Da die TAO-Methode ohne Datenbeschriftung auskommt und auf vorhandenen Unternehmensdaten aufbaut, ist der Einstieg auch für Organisationen ohne umfangreiche Data-Labeling-Kapazitäten möglich. Die Integration in das Databricks Lakehouse setzt jedoch voraus, dass Daten in dieser Umgebung vorliegen oder dorthin migriert werden.

Dieser Artikel wurde von einem KI-System automatisiert erstellt. Kennzeichnung gemäß Art. 50 der EU-KI-Verordnung.