Wie Condé Nast die multimodale Video-Suche mit Amazon Bedrock aufbaute
aws ·
Condé Nast hat in Zusammenarbeit mit dem AWS Generative AI Innovation Center eine KI-gestützte multimodale Lösung zur Videosuche entwickelt, um erhebliche operative Ineffizienzen im redaktionellen Workflow zu beheben. Bisher verbrachten die Teams durchschnittlich 250 Minuten damit, manuell durch eine Bibliothek von über 140.000 Videos zu suchen, wobei nur Titel und Beschreibungen verwendet wurden. Das neue System nutzt Amazon Bedrock und das TwelveLabs Marengo-Embedding-Modell, um semantische Suchen gleichzeitig in visuellen, audio-basierten und Transkript-Daten durchzuführen. Durch die Entkopplung der Ingestion-Pipeline von der Query-Serving-Tier gewährleistet die Architektur hohe Verfügbarkeit und Skalierbarkeit über mehrere Availability Zones hinweg. Diese absichtsbasierte Suche ermöglicht es Redakteuren, spezifische Clips mit präzisen Zeitstempeln mittels natürlicher Sprache oder Bildabfragen zu finden, was den manuellen Prüfungsaufwand erheblich reduziert. Als Ergebnis erzielte Condé Nast eine Reduzierung der Inhaltsentdeckungszeit um 99,2 Prozent, auf unter zwei Minuten pro Aufgabe. Die Initiative generierte zudem geschätzte jährliche operative Einsparungen von rund 800.000 US-Dollar und beschleunigte die Einnahmenverwertung, indem sie Reaktionen auf Anfragen von Werbekunden verkürzte. Die Lösung zeigt, wie große Medienorganisationen multimodale KI nutzen können, um Wert aus umfangreichen Videoarchiven zu erschließen.
aws