Aller au contenu principal
usedby
AnyscaleusedbyHandshake

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.

ConfirméÉtude de cas de l’éditeur · Vérifié le 7 oct. 2026
Voir la preuve capturée

L’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

5x faster iteration for AI workloads, accelerating time to market and innovation velocity

>50%

10x scalability and >50% cost savings for LLM GPUs

90%

90% higher engagement on jobs, a key business metric

30%

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’anglais
Voir l’originalIterating 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.
Scot Fang, TLM, Machine Learning, Handshake — Source

Les autres outils IA utilisés par Handshake

Autres relations publiques recensées sur usedby.

Arize AIConfirméDaytonaConfirméWriterConfirméCursorObservéLovableObservéDatadogSignal
Explorer la stack IA de Handshake

Les autres entreprises qui utilisent Anyscale

Des clients de différents secteurs, avec une preuve publique.

AttentiveConfirméBedrock RoboticsConfirméBonsaiConfirméCanvaConfirméChef RoboticsConfirméCoactiveConfirmé
Voir tous les clients de Anyscale

Autres témoignages

Consulter 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
anyscale.comCapture de l’étude de cas de Anyscale sur HandshakeOuvrir 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.
Extrait de la page. anyscale.com