Condé Nast verkürzt Videosuche mit Amazon Bedrock von 250 Minuten auf unter 2
Condé Nast hat die Zeit, die Redakteurinnen und Redakteure für das Finden von Videoclips benötigen, laut AWS von durchschnittlich 250 Minuten pro Aufgabe auf unter 2 Minuten gesenkt. Der Verlag entwickelte das multimodale Suchsystem gemeinsam mit dem AWS Generative AI Innovation Center auf Basis von Amazon Bedrock und Amazon OpenSearch Service.
- Condé Nast hat die Suchzeit pro Aufgabe von 250 auf rund 2 Minuten gesenkt, ein Rückgang um 99,2 Prozent laut Benchmark vom Mai 2026.
- Das System durchsucht über 140.000 Videos nach Transkript, Bild und Ton und nutzt dafür TwelveLabs Marengo auf Amazon Bedrock.
- Die Embeddings werden in Amazon OpenSearch Service indexiert, die Ergebnisse liefern Clips mit exakten Zeitstempeln.
- Ingestion und Abfrageverarbeitung laufen als entkoppelte Ebenen über mehrere Availability Zones.
- AWS nennt über 90 Prozent weniger manuellen Sichtungsaufwand und geschätzte jährliche Einsparungen von rund 800.000 US-Dollar.
Das Problem: Suchwerkzeuge, die nicht in Videos hineinschauen können
Den Redaktionsteams von Condé Nast fehlte eine schnelle Möglichkeit, ihr Videoarchiv mit mehr als 140.000 Videos zu durchsuchen. Laut AWS verließen sich die Redakteure auf Titel und Beschreibungen und suchten manuell im Filmmaterial. Pro Recherche dauerte das durchschnittlich 250 Minuten. Betroffen waren Marken wie Vogue, GQ, Vanity Fair und Wired.
AWS beschreibt das Kernproblem als strukturell: Bestehende Suchwerkzeuge können nicht in Videoinhalte hineinsehen. Die Teams waren auf implizites Erfahrungswissen angewiesen, um Material zu finden, was Abhängigkeiten von einzelnen Personen schuf, sobald diese nicht verfügbar waren. Manche Inhalte blieben zudem unauffindbar, weil kein Stichwort in Titel oder Beschreibung zu den Suchanfragen der Redakteure passte.
So funktioniert die Lösung
Das System führt eine absichtsbasierte semantische Suche über Transkripte, Bildinhalte und Audio von Videos durch. Das Team entschied sich für das Embedding-Modell Marengo von TwelveLabs, das laut AWS visuelle, akustische und transkribierte Signale gemeinsam kodieren kann. Auf Marengo wird über Amazon Bedrock zugegriffen, die Embeddings werden in Amazon OpenSearch Service indexiert, das eine verwaltete Suche nach den k nächsten Nachbarn (k-NN) bietet.
Redakteure können in natürlicher Sprache beschreiben, was sie brauchen, etwa „Yoga-Inhalte für Anfänger“ oder „Interview mit einem Prominenten über Nachhaltigkeit“, und erhalten Clips mit exakten Zeitstempeln. Zu den genannten Funktionen zählen:
- Multimodales Verständnis: Ein Clip lässt sich danach finden, was gesagt, gezeigt oder gehört wird.
- Bildbasierte Abfragen: Nutzer können ein Referenzbild hochladen, um visuell ähnliche Inhalte zu finden.
- Tippfehlertoleranz und Absichtserkennung: Die Suche orientiert sich an der Bedeutung statt an exakten Stichwörtern.
- Zeitstempelgenauigkeit: Die Ergebnisse verweisen auf exakte Momente, sodass niemand ganze Clips ansehen muss.
Durch Bedrock konnte das Team laut AWS ein spezialisiertes Embedding-Modell nutzen, ohne eine eigene Infrastruktur für die Modellbereitstellung aufzubauen oder zu betreiben, und zugleich AWS-Governance-Kontrollen wie IAM, Amazon VPC und AWS CloudTrail anwenden.
Architektur: zwei entkoppelte Ebenen
Wegen der Größe der Bibliothek trennte das Team die rechenintensive Erzeugung der Embeddings von der latenzarmen Bearbeitung der Suchanfragen. Laut AWS können dadurch beide Ebenen unabhängig voneinander skalieren, ausfallen und weiterentwickelt werden, was sich bei der Nachverarbeitung des Bestands als entscheidend erwies.
Die Ingestion-Ebene arbeitet asynchron. Ein nach Amazon S3 hochgeladenes Video löst ein Ereignis aus, der Ingestion-Dienst validiert es und extrahiert Metadaten, anschließend wird es auf Amazon ECS mit AWS Fargate in Segmente zerlegt. Jedes Segment verarbeitet Marengo auf Amazon Bedrock per asynchronem Aufruf. Die Embeddings werden zur dauerhaften Speicherung in S3 abgelegt und in OpenSearch indexiert. Laut AWS bietet das ereignisgesteuerte Design Wiederholungslogik pro Schritt, parallele Verarbeitung der Segmente und lückenlose Nachverfolgbarkeit, auf die sich das Team beim ersten Backfill der 140.000 Videos stark stützte.
Die Serving-Ebene verarbeitet Suchanfragen über Load Balancer und Dienste auf ECS mit Fargate. Der Suchdienst wandelt eine Anfrage in ein Vektor-Embedding um, führt eine k-NN-Suche im OpenSearch-Index aus und ergänzt die Ergebnisse mit Titeln, Vorschaubildern und Verweisen aus Amazon DocumentDB.
Die Lösung ist über mehrere Availability Zones hinweg bereitgestellt. OpenSearch repliziert synchron über drei Zonen (zwei aktiv, eine im Standby), DocumentDB nutzt einen Primärknoten und ein Standby-Replikat über zwei Zonen, und die Compute- und Datenworkloads laufen in privaten Subnetzen.
Ergebnisse und Einordnung
Condé Nast führte im Mai 2026 einen Benchmarking-Workshop durch, um die Wirkung zu messen. Den Messungen des Unternehmens zufolge sank die Zeit für das Auffinden von Inhalten um 99,2 Prozent, von 250 Minuten auf rund 2 Minuten pro Aufgabe. Der Aufwand für die manuelle Sichtung von Videos ging um mehr als 90 Prozent zurück, da die Teams gezielte Clips mit Zeitstempeln erhalten, statt einzelne Videos durchzuspulen. AWS nennt zudem geschätzte jährliche Betriebseinsparungen von rund 800.000 US-Dollar auf Basis von Produktivitätsgewinnen.
Für Medienunternehmen mit großen Videoarchiven zeigt der Fall, wie sich mit Embeddings, die visuelle, akustische und transkribierte Signale abdecken, ältere Inhalte durchsuchbar machen lassen, ohne auf manuelle Metadaten oder das Wissen einzelner Mitarbeitender angewiesen zu sein. Die Zahlen stammen aus dem eigenen Workshop von Condé Nast und werden von AWS berichtet.