Descrição
A Scribd, Inc. fez parceria com a Databricks para aproveitar o poder da IA generativa, melhorando significativamente a descoberta de conteúdo e a eficiência operacional. Com uma biblioteca que ultrapassa 250 milhões de documentos, a Scribd enfrentou desafios na gestão de fluxos de trabalho de dados fragmentados e insights limitados sobre o conteúdo. Ao integrar a Databricks, a Scribd unificou suas operações de dados e IA, permitindo inovação rápida e capacidades de busca mais inteligentes.
A colaboração resultou em um aumento de 7% nas inscrições de usuários e uma redução de 90% nos custos de IA generativa. A plataforma da Databricks suporta todo o ciclo de vida de dados e IA da Scribd, desde a ingestão de dados até a inferência em tempo real, permitindo experimentação e implantação sem costura. Essa integração otimizou operações, reduziu a troca de contexto e facilitou a colaboração entre equipes.
A Scribd utiliza a Databricks para ETL em lote, processamento de dados em tempo real e desenvolvimento de modelos, o que acelera os ciclos de iteração. A flexibilidade da plataforma permite que a Scribd escolha os modelos apropriados para vários casos de uso, como a geração automática de metadados e o suporte à busca semântica.
A parceria vai além da tecnologia, com a Databricks oferecendo suporte durante momentos críticos, como o ajuste de desempenho de modelos e a gestão de recursos de GPU. Esse suporte tem sido crucial para acelerar a entrega e manter o foco na construção de soluções impulsionadas por IA.
Olhando para o futuro, a Scribd planeja desenvolver mais recursos nativos de IA, como extração inteligente de tópicos e busca em nível de slides, aproveitando a infraestrutura escalável fornecida pela Databricks. Esta colaboração representa um passo significativo em direção à incorporação da IA no núcleo da experiência do produto da Scribd, aprimorando o engajamento do usuário e a eficiência operacional.
Principais aprendizados
Plataforma unificada de dados e IA
ETL em lote e processamento de dados em tempo real
Desenvolvimento e implantação de modelos
Redução de custos de IA generativa
Capacidades de busca semântica
Geração automática de metadados de conteúdo
Colaboração entre equipes
Suporte para inferência em tempo real e em lote
O que este estudo de caso demonstra
- Descoberta de Conteúdo
- Geração de Metadados
- Busca Semântica
- Implantação de Modelos de IA
- Eficiência Operacional
