Deskripsi
Scribd, Inc. telah bermitra dengan Databricks untuk memanfaatkan kekuatan AI generatif, secara signifikan meningkatkan penemuan konten dan efisiensi operasional. Dengan perpustakaan yang melebihi 250 juta dokumen, Scribd menghadapi tantangan dalam mengelola alur kerja data yang terfragmentasi dan wawasan konten yang terbatas. Dengan mengintegrasikan Databricks, Scribd menyatukan data dan operasi AI-nya, memungkinkan inovasi cepat dan kemampuan pencarian yang lebih cerdas.
Baca Selengkapnya
Kolaborasi ini telah menghasilkan peningkatan 7% dalam pendaftaran pengguna dan pengurangan 90% dalam biaya AI generatif. Platform Databricks mendukung seluruh siklus hidup data dan AI Scribd, dari pengambilan data hingga inferensi waktu nyata, memungkinkan eksperimen dan penerapan yang mulus. Integrasi ini telah menyederhanakan operasi, mengurangi peralihan konteks, dan memfasilitasi kolaborasi di seluruh tim.
Scribd memanfaatkan Databricks untuk ETL batch, pemrosesan data waktu nyata, dan pengembangan model, yang mempercepat siklus iterasi. Fleksibilitas platform memungkinkan Scribd untuk memilih model yang sesuai untuk berbagai kasus penggunaan, seperti menghasilkan metadata secara otomatis dan mendukung pencarian semantik.
Kemitraan ini melampaui teknologi, dengan Databricks memberikan dukungan selama momen-momen kritis, seperti penyetelan kinerja model dan pengelolaan sumber daya GPU. Dukungan ini sangat penting dalam mempercepat pengiriman dan menjaga fokus pada pembangunan solusi yang didorong oleh AI.
Ke depan, Scribd berencana untuk mengembangkan lebih banyak fitur yang berbasis AI, seperti ekstraksi topik cerdas dan pencarian tingkat slide, memanfaatkan infrastruktur yang dapat diskalakan yang disediakan oleh Databricks. Kolaborasi ini merupakan langkah signifikan menuju pengintegrasian AI ke dalam inti pengalaman produk Scribd, meningkatkan keterlibatan pengguna dan efisiensi operasional.
- KategoriAnalisis Data AI
- Model HargaT/A
- PenerapanCloud
- PlatformAWS
Poin Penting
Platform data dan AI yang terpadu
ETL batch dan pemrosesan data waktu nyata
Pengembangan dan penerapan model
Pengurangan biaya AI generatif
Kemampuan pencarian semantik
Generasi otomatis metadata konten
Kolaborasi di seluruh tim
Dukungan untuk inferensi waktu nyata dan batch
Apa yang Ditunjukkan Studi Kasus Ini
- Penemuan Konten
- Generasi Metadata
- Pencarian Semantik
- Penerapan Model AI
- Efisiensi Operasional
