Beschreibung
Scribd, Inc. hat sich mit Databricks zusammengetan, um die Leistungsfähigkeit der generativen KI zu nutzen und die Inhaltsentdeckung sowie die betriebliche Effizienz erheblich zu verbessern. Mit einer Bibliothek von über 250 Millionen Dokumenten sah sich Scribd Herausforderungen bei der Verwaltung fragmentierter Datenworkflows und begrenzter Inhaltsanalysen gegenüber. Durch die Integration von Databricks hat Scribd seine Daten- und KI-Operationen vereinheitlicht, was schnelle Innovationen und intelligentere Suchfunktionen ermöglicht.
Die Zusammenarbeit führte zu einem Anstieg der Nutzeranmeldungen um 7 % und einer Reduzierung der Kosten für generative KI um 90 %. Die Plattform von Databricks unterstützt den gesamten Daten- und KI-Lebenszyklus von Scribd, von der Datenerfassung bis zur Echtzeitanalyse, was nahtloses Experimentieren und Bereitstellen ermöglicht. Diese Integration hat die Abläufe optimiert, den Kontextwechsel reduziert und die Zusammenarbeit zwischen den Teams erleichtert.
Scribd nutzt Databricks für Batch-ETL, Echtzeitdatenverarbeitung und Modellentwicklung, was die Iterationszyklen beschleunigt. Die Flexibilität der Plattform ermöglicht es Scribd, die geeigneten Modelle für verschiedene Anwendungsfälle auszuwählen, wie z. B. die automatische Generierung von Metadaten und die Unterstützung der semantischen Suche.
Die Partnerschaft geht über die Technologie hinaus, da Databricks Unterstützung in kritischen Momenten bietet, wie z. B. bei der Feinabstimmung der Modellleistung und dem Management von GPU-Ressourcen. Diese Unterstützung war entscheidend, um die Lieferung zu beschleunigen und den Fokus auf den Aufbau KI-gesteuerter Lösungen zu richten.
In der Zukunft plant Scribd, weitere KI-native Funktionen zu entwickeln, wie intelligente Themenextraktion und die Suche auf Folienebene, wobei die skalierbare Infrastruktur von Databricks genutzt wird. Diese Zusammenarbeit stellt einen bedeutenden Schritt dar, um KI in den Kern der Produkterfahrung von Scribd zu integrieren und das Nutzerengagement sowie die betriebliche Effizienz zu verbessern.
Wichtigste Erkenntnisse
Vereinheitlichte Daten- und KI-Plattform
Batch-ETL und Echtzeitdatenverarbeitung
Modellentwicklung und -bereitstellung
Reduzierung der Kosten für generative KI
Fähigkeiten zur semantischen Suche
Automatische Generierung von Inhaltsmetadaten
Zusammenarbeit zwischen Teams
Unterstützung für Echtzeit- und Batch-Inferenz
Was diese Fallstudie zeigt
- Inhaltsentdeckung
- Metadaten-Generierung
- Semantische Suche
- Bereitstellung von KI-Modellen
- Betriebliche Effizienz
