Como Adidas analiza 2 millones de resenas un 40% mas rapido con IA generativa de Databricks

Adidas ha construido su legado sobre la innovacion, desde los tacos de tornillo que transformaron el futbol hasta el equipamiento de alto rendimiento que combina estilo, sostenibilidad y tecnologia. Con presencia en mas de 150 paises, la marca necesitaba una forma mas rapida de entender lo que sus clientes realmente querian analizando los comentarios de productos a escala. Existian mas de 2 millones de resenas en el catalogo de productos, pero la infraestructura para hacerlas utiles no existia.

El sistema de chatbot heredado no podia soportar la vision de IA generativa. Las cargas de consulta superaban los 200.000 tokens por solicitud, sobrecargando los sistemas de back-end y limitando la adopcion. Los tiempos de respuesta promediaban 15,5 segundos. El analisis de resenas seguia siendo en gran medida manual, lento e inaccesible para los usuarios no tecnicos. 'Con cargas de consulta que superaban los 200.000 tokens, sobrecargabamos nuestros sistemas de back-end y limitabamos la adopcion', dijo Rahul Pandey, Arquitecto de Soluciones Senior en Adidas.

Adidas construyo una nueva base sobre Databricks. Las 2 millones de resenas de productos fueron incorporadas usando Databricks BGE Large, optimizado para busqueda semantica, e indexadas usando Databricks Vector Search para recuperacion rapida basada en significado. Un pipeline RAG usando Databricks Model Serving combino fragmentos de resenas recuperados con las consultas del usuario, generando respuestas con Claude Haiku como LLM principal. Unity Catalog aplico acceso seguro a datos y gobernanza de modelos. MLflow realizo el seguimiento del rendimiento de modelos y la iteracion de experimentos.

Los resultados fueron inmediatos y precisos. La latencia cayo un 60%, de 15,5 segundos a 6 segundos. El tamano de los tokens de entrada disminuyo un 98,5%, de 200.000 a 3.000 por consulta, reduciendo los costes de computo en mas del 90%. La eficiencia de los analistas en la toma de decisiones basada en resenas mejoro un 30-40%. La interfaz intuitiva permitio decisiones multifuncionales mas rapidas en diseno, producto, marketing y servicio al cliente, y por primera vez, los usuarios no tecnicos pudieron extraer conocimientos de forma independiente.

La plataforma fue construida para ser extensible. Al integrar Databricks Vector Search, Unity Catalog, Model Serving, MLflow y Delta Lake, Adidas creo una solucion gobernada a escala global que respalda la ambicion de la marca para una experiencia de cliente mas personalizada y basada en datos.