Comment Handshake utilise Anyscale
Handshake utilise la plateforme Ray managée d'Anyscale pour entraîner, affiner et héberger des LLM ainsi que des modèles de recommandation d'apprentissage profond, comme les réseaux de neurones de graphes et les recommandeurs à deux tours. Ces modèles alimentent la mise en relation avec les offres d'emploi, les recommandations et les contenus générés par des LLM pour les étudiants et les employeurs.
Voir la preuve capturéeL’usage : comment Handshake déploie Anyscale
Handshake uses Anyscale's managed Ray platform to train, fine-tune and host LLMs and deep learning recommender models such as graph neural networks and two tower recommenders. These power job matching, recommendations and LLM-generated content for students and employers.
Autres résultats publiés
Chiffres publiés dans l’étude de cas de Anyscale. usedby ne les mesure pas de façon indépendante.
5x faster iteration for AI workloads, accelerating time to market and innovation velocity
10x scalability and >50% cost savings for LLM GPUs
90% higher engagement on jobs, a key business metric
while saving 30% on costs versus comparable A100 workloads
Le témoignage du client
Itérer sur des modèles d'embedding fondamentaux (réseaux de neurones de graphes, recommandeurs à deux tours) et les faire évoluer, avec un entraînement sur 100 à 200 millions d'interactions et plus, était difficile et long, jusqu'à ce que nous migrions nos producteurs de features et nos tâches d'entraînement vers Anyscale + Ray. Notre vitesse d'expérimentation avec les modèles profonds et leurs dépendances a été multipliée par 5, tout en entraînant sur davantage de données pour moins cher. Anyscale nous a aussi permis de lancer de toutes nouvelles applications d'inférence en temps réel et des expériences utilisateur en temps réel que les data scientists peuvent déployer sans attendre les experts en ML Ops.Traduction automatique de l’anglaisVoir l’original
Iterating and scaling foundational embedding models (graph neural networks, two tower recommenders) trained over 100M-200M+ interactions was difficult and time-consuming until we migrated our feature producers and training jobs to Anyscale + Ray. Our experiment velocity with deep models and dependencies has 5x’ed while training on more data for cheaper. Anyscale has also enabled net-new real-time inference services and real-time user experiences that data scientists can roll out without waiting on ML Ops experts.Les autres outils IA utilisés par Handshake
Autres relations publiques recensées sur usedby.
Explorer la stack IA de HandshakeLes autres entreprises qui utilisent Anyscale
Des clients de différents secteurs, avec une preuve publique.
AttentiveConfirmé
Bedrock RoboticsConfirmé
BonsaiConfirmé
CanvaConfirmé
Chef RoboticsConfirmé
CoactiveConfirméConsulter la source
Cette synthèse repose sur l’étude de cas publiée par Anyscale. Nous vérifions la preuve publique ; les résultats sont ceux rapportés par l’éditeur.
anyscale.com- Dernière vérification
- 7 oct. 2026
Ouvrir la capture Ce que dit le témoignage, et ce que nous avons vérifié
Ce que nous avons comparé à la page.
- Le chiffre : 50%Vérifié
Imprimé mot pour mot sur la page, près du nom de Handshake.
- L’extrait cité plus hautVérifié
Copié mot pour mot depuis la page, près du nom de Handshake.
- Handshake utilise AnyscaleVérifié
Ligne de niveau Confirmé.
- Le résultat lui-mêmeNon vérifié
Nous le citons ; nous ne l’avons pas mesuré.
The team’s velocity has increased significantly with Anyscale, which is essential for lean teams that have to move fast. Anyscale provides a platform that has transformed Handshake’s data scientists into full-stack machine learning engineers with only a lean team of 1-2 ML infrastructure engineers supporting and maintaining it.






