REXFLOW

Как Condé Nast сократила поиск по видеоархиву со 250 минут до 2 минут

Издательский дом Condé Nast вместе с AWS Generative AI Innovation Center построил мультимодальный видео-поиск на базе Amazon Bedrock и Amazon OpenSearch Service. Результат: среднее время поисковой задачи по библиотеке из 140 000+ роликов упало с 250 минут до менее чем 2 минут. Один из самых наглядных кейсов того, как искусственный интеллект превращает «спящий» корпоративный архив в рабочий актив редакции.

В чём была проблема: поиск по видео только через текст

Condé Nast — компания за такими брендами, как Vogue, GQ, Wired и другими изданиями. За десятилетия работы накопился видеоархив объёмом более 140 000 роликов: съёмки показов, интервью, бэкстейджи, документальные материалы.

Проблема была не в объёме, а в способе доступа:

По сути, ценность архива для бизнеса ограничивалась качеством того, как его когда-то подписали. Если нужный момент не был описан словами — его практически не существовало для системы. Подробнее о том, как выглядел процесс «до», — в разделе [почему текстовые метаданные перестали справляться](#почему-текстовые-метаданные-перестали-справляться).

Что построили: мультимодальный поиск на Amazon Bedrock и OpenSearch

Решение, разработанное совместно с AWS Generative AI Innovation Center, — это мультимодальная система обнаружения видео. «Мультимодальная» здесь ключевое слово: система понимает не только текст запроса, но и само содержимое роликов.

Технологический стек:

Схема работы выглядит так: ролики прогоняются через модели, которые извлекают из них смысловой контент — объекты, людей, действия, контекст сцен. Полученные представления индексируются в OpenSearch. Когда редактор задаёт запрос, система сопоставляет его не с заголовком файла, а с фактическим содержанием видео.

Именно этот переход от «поиска по подписям» к «поиску по содержанию» и дал эффект: время поиска сократилось до менее чем 2 минут на задачу.

Почему текстовые метаданные перестали справляться

Классический подход к организации видеоархива — ручное описание при загрузке. Он работает, пока архив маленький и команда дисциплинированно всё подписывает. На масштабе 140 000+ роликов он разваливается.

Типичные слабые места:

Искусственный интеллект решает эти проблемы, потому что он не зависит от того, кто и как подписал файл: он смотрит само видео. О том, какой это даёт эффект, — в разделе [что это значит для бизнеса](#что-это-значит-для-бизнеса).

Что это значит для бизнеса

Кейс Condé Nast — иллюстрация того, как автоматизация бизнеса окупается не в абстрактном «повышении эффективности», а в конкретных часах.

Считаем на числах из кейса:

Если продюсер раньше выполнял две поисковые задачи в день, теперь те же результаты он получает за несколько минут. Освободившееся время уходит на производственную работу: монтаж, подготовку сюжетов, создание нового контента.

Есть и второй, менее очевидный эффект. Когда поиск по архиву для бизнеса стоит дорого, архивом просто не пользуются — проще отснять новое, чем найти старое. Когда поиск занимает минуту, старые материалы начинают жить: их переиспользуют в новых форматах, дайджестах, юбилейных публикациях. Видеоархив из «кладовой, ключ от которой никто не хочет искать» превращается в источник готового контента.

Это и есть раскрытие ценности видео для бизнеса — не в хранении, а в доступе.

Уроки для компаний с большими архивами

Condé Nast — медиакомпания, но структура проблемы универсальна. Большие видеоархивы есть у ритейлеров (рекламные материалы, записи мероприятий), у корпораций (вебинары, обучение, конференции), у агентств и продакшенов.

Что можно перенести из этого кейса:

1. Начните с измеримого болевого пункта. Condé Nast знала точную цифру — 250 минут на задачу. Без такой метрики эффект проекта не доказать.

2. Не стройте инфраструктуру с нуля. Архитектура на Amazon Bedrock и Amazon OpenSearch Service — это управляемые сервисы, а не многомесячная разработка собственного ML-стека.

3. Работайте с экспертом. AWS Generative AI Innovation Center — пример команды, которая помогает довести идею до продакшена, а не до пилота, которым никто не пользуется.

4. Цель — не «внедрить технологии», а конкретный процесс. Здесь постановка была узкой: поиск для бизнеса по видеоархиву. Узкая цель — одна из причин, почему проект дошёл до результата.

Как повторить такой результат: порядок шагов

Если у вашей компании есть большой видеоархив, план действий выглядит примерно так:

1. Измерьте текущее состояние. Сколько времени сотрудники тратят на поиск нужного ролика или кадра? Сколько задач в месяц? Это базовая метрика «до».

2. Проведите аудит метаданных. Если описания покрывают малую часть архива — это прямой аргумент в пользу мультимодального анализа, а не доработки ручных подписей.

3. Выберите стек. Amazon Bedrock для анализа содержимого и Amazon OpenSearch Service для индексации — проверенное в этом кейсе сочетание; у AWS есть аналогичные инструменты и для других экосистем.

4. Запустите пилот на части архива. Отработайте релевантность поиска на нескольких тысячах роликов, прежде чем индексировать все 140 000.

5. Сравните метрики «до» и «после». Формат Condé Nast — «250 минут против 2 минут» — образец того, как надо отчитываться о результате.

Вывод

История Condé Nast — про то, что самые результативные проекты не всегда самые сложные. Компания не строила видеогенерацию и не переписывала продакшен: она закрыла одну конкретную задачу — поиск по архиву — и получила сокращение времени с 250 минут до менее чем 2 минут на задачу.

Общая формула кейса: большой немаркированный архив + мультимодальные модели на Amazon Bedrock + векторный поиск на Amazon OpenSearch Service + измеримая метрика «до/после». Если в вашей компании есть видеоархив, к которому обращаются реже, чем хотелось бы, — это первый кандидат на такую же оптимизацию.

Источник: https://aws.amazon.com/blogs/machine-learning/how-conde-nast-built-multimodal-video-discovery-with-amazon-bedrock