Cloud-, Edge-
und KI-Lösungen

KundenbeispieleWeitere Fallstudien

• 

  Wenn Zahlen lügen: Eine CDN-Fallstudie

  Echte Streaming-Probleme lassen sich selten auf den ersten Blick erkennen. Beim Betriebsteam eines Fernsehsenders gehen Beschwerden ein. Das Monitoring-Dashboard zeigt eine erhöhte Anzahl an Wiedergabeunterbrechungen. Gleichzeitig sehen die CDN-Logs völlig unauffällig aus: Die Latenz liegt im Normalbereich, die Cache-Trefferquote ist hoch, und es gibt keine Hinweise auf größere Störungen. Trotzdem hängt das Bild bei den Zuschauern immer wieder.Das war die Ausgangslage einer unserer spannendsten Untersuchungen. Es ging um einen 24/7-Kanal eines großen nationalen Broadcasters mit zweistündigem DVR-Fenster, ausgeliefert an Millionen von Zuschauern. Bei Streaming in Broadcast-Qualität sind die Anforderungen besonders hoch. Die Fehlertoleranzen sind äußerst gering, und bereits Millisekunden können entscheidend sein. Wir konnten die tatsächlichen Ursachen auf vier verschiedenen Ebenen identifizieren und Schritt für Schritt beheben. Als verlässliche Grundlage für die Bewertung der Quality of Experience (QoE) dienten uns dabei die Daten des AVEQ-Teams und seiner Surfmeter-Messsonden.Die wichtigste Erkenntnis vorweg: Einige Wiedergabeunterbrechungen waren tatsächlich vorhanden. Andere wurden durch fehlerhafte Messungen erfasst. Die interessanteste Ursache war jedoch ein zeitliches Abstimmungsproblem, das auf keinem herkömmlichen Dashboard sichtbar war. Alle drei zu beheben, ist das, was Broadcast-Qualität tatsächlich ausmacht.QoS und QoE sind nicht dasselbeDie Begriffe Quality of Service (QoS) und Quality of Experience (QoE) werden häufig als Synonyme verwendet. Genau diese Tatsache kann dazu führen, dass ein Monitoring-Dashboard ausschließlich unauffällige Werte anzeigt, während Zuschauer die Wiedergabe frustriert abbrechen. Denn beide Kennzahlen betrachten grundlegend unterschiedliche Aspekte.QoS beschreibt die Qualität auf Netzwerkebene: Latenz, Paketverluste, TCP-Retransmissions, Cache-Trefferquoten und HTTP-Statuscodes. Diese Werte sind objektiv messbar und in den entsprechenden Logs verfügbar. Allerdings sagen sie nur bedingt etwas darüber aus, was ein einzelner Zuschauer tatsächlich auf seinem Bildschirm erlebt.QoE beschreibt die Qualität aus Sicht der Zuschauer: Hängt das Video? Wechselt die Wiedergabe plötzlich auf eine niedrigere Auflösung? Wie lange dauert es, bis das erste Bild erscheint? Diese Werte werden auf der Ebene des Videoplayers und nicht allein innerhalb der Netzwerkinfrastruktur erfasst. Ein Stream kann hervorragende QoS-Werte aufweisen und den Zuschauern trotzdem ein schlechtes Nutzungserlebnis bieten. Entscheidend ist deshalb, diese Lücke zu schließen.Bei der Bewertung der QoE und der tatsächlich wahrnehmbaren Beeinträchtigungen betrachten wir ein Einfrieren des Videobildes ab einer Dauer von 100 Millisekunden als Wiedergabeunterbrechung (Stall). Laut AVEQ-Untersuchungen werden kürzere Unterbrechungen von den Zuschauern in der Regel nicht wahrgenommen.Wie sich die Probleme bemerkbar machtenAls Gcore über die Probleme informiert wurde, erfassten wir zunächst konkrete Auffälligkeiten:Während der Wiedergabe bemerkten die Zuschauer sichtbare Qualitätseinbußen und häufige Wechsel zwischen verschiedenen Qualitätsstufen. Die Anzahl der Wiedergabeunterbrechungen lag höher als bei den leistungsstärksten CDNs, die denselben Stream unter vergleichbaren Bedingungen auslieferten.Der Mean Opinion Score (MOS), der die wahrgenommene Wiedergabequalität anhand der AVEQ-Messungen bewertet, sank von einem guten Wert von 4,5 auf 3,4.Ein Internet Service Provider (ISP) zeigte durchgehend schlechtere Ergebnisse als die übrigen Anbieter.Für Streaming in Broadcast-Qualität liegt der Zielwert bei weniger als fünf Wiedergabeunterbrechungen innerhalb von 24 Stunden. Wir lagen deutlich darüber. Deshalb untersuchten wir die möglichen Ursachen systematisch, Ebene für Ebene.Nur zuverlässige Messdaten ermöglichen eine gezielte FehlerbehebungEine einzelne Datenquelle kann nie das vollständige Bild liefern. Deshalb kombinierten wir drei unterschiedliche Perspektiven, um die tatsächlichen Ursachen zu identifizieren:AVEQ Surfmeter: Eine clientseitige Anwendung zur Messung der QoE, die an mehreren Standorten eingesetzt wurde. Eine der Messsonden war direkt mit dem ISP verbunden, bei dem die größten Probleme auftraten. Surfmeter lieferte Messwerte aus Zuschauersicht, darunter die Anzahl und Dauer der Wiedergabeunterbrechungen, Wechsel zu niedrigeren Qualitätsstufen, das Bitratenverhalten und den MOS. Die Daten ließen sich nach ISP und Player-Version aufschlüsseln. Diese Informationen können CDN-Logs allein nicht liefern.Gcore HAS Probe: Unser intern entwickelter HLS/DASH-Emulator verhält sich wie ein Videoplayer, protokolliert dabei jedoch sämtliche relevanten Vorgänge. Dazu gehören Time to First Byte (TTFB), Time to First Frame, die Ladezeiten von Manifesten und Segmenten sowie Fehler beim Parsen von Manifesten. So lassen sich Probleme erkennen, die einen Player beeinträchtigen, in klassischen CDN-Logs jedoch häufig unauffällig bleiben.CMCD und CDN-Rohlogs: Wir glichen die von den Videoplayern übermittelten Common Media Client Data (CMCD) mit den Edge-Logs ab. Dadurch konnten wir konkrete Ereignisse innerhalb der Infrastruktur mit ihren unmittelbaren Auswirkungen auf die Wiedergabequalität verknüpfen.Mehr Kapazitätsreserven für die am stärksten ausgelastete VerbindungDie erste Ursache fanden wir auf Netzwerkebene. Eine Verbindung zu einem bestimmten ISP verursachte häufiger Qualitätseinbußen als die übrigen Verbindungen. Zudem traten die Probleme unregelmäßig auf. Zu Spitzenlastzeiten stieg die Anzahl der TCP-Retransmissions stärker als gewünscht.Das ist besonders beim adaptiven Streaming problematisch: Für den Download der Videosegmente steht nur ein begrenztes Zeitfenster zur Verfügung. Schon ein geringer Anstieg der Übertragungszeiten reduziert die Pufferreserve, die Wiedergabeunterbrechungen verhindern soll.Die Ursache lag in der Verteilung der verfügbaren Netzwerkkapazitäten. Zu Spitzenlastzeiten musste die Auslastung dieses Verbindungspfads besser auf mehrere Standorte verteilt werden. Wir verteilten den Datenverkehr neu, schufen zusätzliche Kapazitätsreserven auf der am stärksten ausgelasteten Transitverbindung und ließen das Routing sich stabilisieren.Dadurch sank die TCP-Retransmission-Rate auf 0,3 % – eine Verbesserung um den Faktor zehn. Gleichzeitig verbesserten sich die Ladezeiten der Manifeste und Videosegmente.Eine QoS-Kennzahl lässt sich dabei leicht mit einem Wert aus Zuschauersicht verwechseln: die durchschnittliche Auslieferungsdauer (Mean Delivery Duration). Sie beschreibt die serverseitige Verarbeitungszeit, die direkt aus den Rohlogs ermittelt wird. Die Übertragungszeit zum Client und zurück ist darin nicht enthalten.Der gemessene Wert lag bei 23,1 Millisekunden und damit innerhalb des Zielwerts von 30 Millisekunden.Wenn die Messung selbst zum Problem wirdAn diesem Punkt wurde die Untersuchung besonders interessant: Einige der Wiedergabeunterbrechungen, denen wir nachgingen, waren für die Zuschauer überhaupt nicht wahrnehmbar.Mikrounterbrechungen: Fehler in der Zählung. Bei Tests mit Surfmeter für einzelne Qualitätsprofile stellten wir fest, dass manche als Stalls erfassten Unterbrechungen extrem kurz waren – deutlich unterhalb der Schwelle von 100 Millisekunden. Diese Mikrounterbrechungen erhöhten sowohl unsere Messwerte als auch die Referenzstatistiken des Fernsehsenders.Um die Analyse auf tatsächlich relevante Beeinträchtigungen zu konzentrieren, konfigurierte AVEQ Surfmeter so, dass Unterbrechungen unter 100 Millisekunden nicht mehr berücksichtigt wurden. Anschließend berechneten wir sämtliche betroffenen Testergebnisse neu. Dadurch sank die gemessene Ausgangsrate der Wiedergabeunterbrechungen.Player-Fehler, die wie Infrastrukturprobleme aussahen. Durch die Zusammenarbeit mit dem Fernsehsender erhielten wir Zugriff auf mehrere Versionen des eingesetzten Referenzplayers, darunter auch ältere Versionen. Dabei zeigte sich, dass diese älteren Player-Versionen selbst fälschlicherweise Wiedergabeunterbrechungen meldeten.Mithilfe der AVEQ-Daten und unserer CDN-Loganalyse konnte das Player-Team den Auslöser identifizieren. Zwei Software-Releases behoben einen Großteil der Probleme. Bereits das erste Update reduzierte die Anzahl der gemeldeten Wiedergabeunterbrechungen um rund 20 %.Der Videoplayer und die eingesetzten Messwerkzeuge sind Teil der gesamten Qualitätskette – keine neutralen Beobachter. Wer bei einer CDN-Fehleranalyse den Player nicht berücksichtigt, läuft Gefahr, Probleme dauerhaft der falschen Ursache zuzuordnen.Da Surfmeter das gesamte Multi-CDN-Setup gleichzeitig überwachte und denselben Stream sowohl über Gcore als auch über die anderen CDNs und sämtliche Player-Versionen hinweg analysierte, konnten wir die Wiedergabeunterbrechungen gezielt nach CDN und Player-Version aufschlüsseln.Dadurch konnten wir die Wiedergabeunterbrechungen sowohl nach Player-Version als auch nach CDN auswerten und zwischen Player-spezifischen Auffälligkeiten und tatsächlichen CDN-Problemen unterscheiden.Vor der Fehlerbehebung kam es bei allen CDN-Anbietern, einschließlich der Wettbewerber, zu häufigen Aussetzern. Nach den Korrekturen verbesserten sich die Werte von Gcore erheblich. Die Anzahl der Wiedergabeunterbrechungen sank auf ein niedriges, stabiles Niveau und blieb bei allen Player-Versionen gering, während bei einigen anderen CDNs weiterhin vermehrt Spitzen auftraten.Eine Race Condition, die kein Dashboard erkennen konnteDie interessanteste Erkenntnis lieferte die Analyse der Manifest-Ladezeiten mit Gcore HAS Probe. Dabei entdeckten wir einen Fehler, der auf herkömmlichen Monitoring-Dashboards nicht sichtbar war.Im untersuchten Fall verwendete der Fernsehsender Videosegmente mit einer Länge von zwei Sekunden und ein umfangreiches Manifest. Durch das zweistündige DVR-Fenster erreichte dieses eine Größe von rund 500 KB. In Kombination mit mehreren vorgeschalteten Caching-Ebenen entstand dadurch eine Race Condition – ein zeitliches Abstimmungsproblem zwischen verschiedenen Verarbeitungsvorgängen.Das kritische Zeitfenster war äußerst klein. Es entstand nur dann, wenn ein Player das Manifest unmittelbar vor dem Übergang zum nächsten Videosegment anforderte. Bei Millionen von Zuschauern führten jedoch selbst diese kurzen Zeitfenster zu regelmäßig auftretenden Wiedergabeunterbrechungen.Unsere CDN-Logs zeigten, dass Fehler bei der Aktualisierung der Manifeste zeitlich genau mit den von Surfmeter gemessenen Wiedergabeunterbrechungen zusammenfielen. Damit konnten wir die zuvor vermutete Ursache eindeutig bestätigen.Die Lösung: Cache-Aktualisierung im Subsekundenbereich, ohne Änderungen am Origin.Grundsätzlich gab es zwei Lösungsansätze.Die erste, strukturell einfachere Lösung klingt zunächst widersprüchlich: die Videosegmente von zwei auf vier Sekunden verlängern. Dadurch erhält der Cache mehr zeitlichen Spielraum gegenüber den regelmäßigen Manifest-Abfragen des Players. Die Wahrscheinlichkeit, dass ein veraltetes Manifest ausgeliefert wird, sinkt erheblich.Wir schlugen diese Anpassung vor. Allerdings nutzten sämtliche CDNs der Multi-CDN-Konfiguration denselben Origin, der bereits im Produktivbetrieb lief. Eine Änderung der Segmentlänge ausschließlich für einen einzelnen CDN-Anbieter kam für den Fernsehsender deshalb nicht infrage – eine nachvollziehbare Entscheidung.Also entwickelten wir eine Lösung vollständig innerhalb unserer eigenen Infrastruktur.Dafür setzten wir auf eine Gcore-Funktion, die wir für diesen Anwendungsfall entwickelt und erfolgreich getestet hatten: Sub-Second Caching. Dabei wird das Manifest in Intervallen von weniger als einer Sekunde beim Origin revalidiert. So kann der Edge-Cache stets die aktuellsten Segmentinformationen bereitstellen, ohne dass Änderungen am Origin erforderlich sind.Wir validierten die Funktion auf einer Testressource. Sie kann auf Anfrage auch für die Hauptkanäle aktiviert werden.Zusätzlich passten wir die Größe des aktiv genutzten Shield-Caches an, damit das gesamte zweistündige DVR-Fenster im Cache vorgehalten werden kann.Was wir aus diesem Fall gelernt habenAus dieser Untersuchung lassen sich mehrere Erkenntnisse ableiten, die für alle relevant sind, die Live-Streaming in großem Maßstab betreiben:QoS und QoE müssen getrennt gemessen werden. Infrastrukturmetriken allein können weder Player-Fehler noch Messartefakte oder zeitliche Probleme bei der Manifest-Aktualisierung zuverlässig aufdecken. Dafür ist die Perspektive des Videoplayers unverzichtbar.Ein spezialisierter Messpartner schafft einen entscheidenden Mehrwert. Die nach ISP und Player-Version aufgeschlüsselten Daten von AVEQ ermöglichten es uns, tatsächliche Ursachen zu identifizieren, statt lediglich Vermutungen anzustellen.Manifeste sind ein häufig unterschätzter Faktor für die Streaming-Qualität. Cache-TTL, Segmentlänge und Abfrageintervalle beeinflussen sich gegenseitig. Die daraus entstehenden Probleme bleiben auf herkömmlichen Monitoring-Dashboards häufig unsichtbar.Broadcast-Qualität entsteht nicht durch eine einzelne optimal konfigurierte Komponente. Sie erfordert das abgestimmte Zusammenspiel sämtlicher Ebenen – und zuverlässige Messungen, die die tatsächliche Qualität bestätigen.Live-Streaming für höchste Broadcast-AnforderungenGcore ermöglicht Live-Streaming mit niedriger Latenz für Millionen gleichzeitiger Zuschauer. Dafür setzen wir auf proaktives CMCD-Monitoring, Sub-Second Caching und ein Expertenteam, das unauffällige Messwerte nicht als Abschluss, sondern als möglichen Ausgangspunkt einer weiterführenden Untersuchung betrachtet.Zuverlässige QoE-Messungen mit AVEQ SurfmeterSurfmeter von AVEQ misst die Quality of Experience direkt aus Zuschauersicht. Dazu gehören die Anzahl der Wiedergabeunterbrechungen, Qualitätswechsel, das Bitratenverhalten und der Mean Opinion Score (MOS). Die Ergebnisse lassen sich nach ISP und Player-Version aufschlüsseln.Diese zusätzliche Messebene war entscheidend, um tatsächliche Wiedergabeunterbrechungen von fehlerhaften Messungen zu unterscheiden. Für professionelle Streaming-Umgebungen ist eine solche Lösung daher besonders empfehlenswert.Kontaktieren Sie uns, um mehr zu erfahren.

• 

  Microsoft ermöglicht Content-Auslieferung auf globaler Ebene mit Gcore CDN

   Microsoft wurde 1975 gegründet und ist ein weltweit führendes Technologieunternehmen, das für seine Cloud-Services, Software und KI-Innovationen bekannt ist. Das Portfolio des Unternehmens umfasst Produkte und Dienste wie Azure, Microsoft 365, Windows und Xbox. Mit seiner globalen Präsenz und Milliarden Nutzern weltweit benötigt Microsoft eine Infrastruktur von enormer Größenordnung, um Updates, Patches und Inhalte zuverlässig an Kunden in jeder Region auszuliefern. Mit dem Ziel, Menschen und Organisationen weltweit dabei zu unterstützen, mehr zu erreichen, treibt Microsoft technologische Innovation kontinuierlich voran.Zuverlässigkeit in einer dynamischen CDN-Landschaft sicherstellenMitte 2024 setzte sich Microsoft das Ziel, die eigene Multi-CDN-Strategie zu stärken. Für ein Unternehmen, das Inhalte in der Größenordnung von Microsoft ausliefert, sind mehrere CDN-Partnerschaften entscheidend, um globale Zuverlässigkeit und Performance sicherzustellen und wachsende Auslieferungsanforderungen zu bewältigen.Um zusätzliche Kapazitäten zu schaffen und die Ausfallsicherheit weiter zu erhöhen, suchte Microsoft nach einem weiteren CDN-Partner. Dieser sollte Inhalte weltweit in großem Umfang ausliefern können, sich nahtlos in die bestehende Multi-CDN-Architektur integrieren und die erforderliche Stabilität und Zuverlässigkeit gewährleisten.Eine strategische Partnerschaft auf Basis von Expertise und Zusammenarbeit Um sein Netzwerk zuverlässiger CDN-Partner weiter auszubauen, entschied sich Microsoft für Gcore als einen seiner globalen CDN-Anbieter. In enger Zusammenarbeit mit dem Team am Microsoft-Hauptsitz in Seattle stellte Gcore CDN-Kapazitäten in allen wichtigen Regionen bereit – darunter Europa, Nordamerika, Lateinamerika und der asiatisch-pazifische Raum. Das globale Netzwerk von Gcore mit mehr als 210 Points of Presence sorgt dabei für eine hohe Performance, unabhängig davon, wo sich die Microsoft-Nutzer befinden.Multi-CDN: Höhere Verfügbarkeit, bessere Performance, integrierte Redundanz und erhöhte Resilienz.Die Partnerschaft lieferte genau das, worauf es ankommt: Enterprise-Grade-Grundlagen, umgesetzt im großen Maßstab. Microsofts Multi-Provider-Strategie erfordert standardisierte Konfigurationen für operative Effizienz, und Gcore stellte diese entscheidenden Fähigkeiten unter Beweis:Finanzielle Stabilität: Als finanziell solides Unternehmen mit Sitz in Europa bot Gcore die von Microsoft benötigte Geschäftskontinuität.Globale Kapazität: Die Fähigkeit, enorme Bandbreiten in allen wichtigen Regionen weltweit bereitzustellen.Technische Flexibilität: Schnelle Anpassung an die von Microsoft benötigten Funktionen und ein partnerschaftlicher Ansatz bei der Integration.„Die globale Infrastruktur von Gcore hat uns davon überzeugt, dass dieses Unternehmen das Potenzial für eine langfristige Partnerschaft mitbringt. Das Team überzeugte während des gesamten Auswahlprozesses durch schnelle Reaktionszeiten und technische Kompetenz. Auch die Bereitschaft, direkt mit unserem lokalen Team zusammenzuarbeiten, entspricht genau der Art von Partnerschaft, die wir schätzen."Joey Etzler, Principal Technical Program Manager – Content Delivery Network, MicrosoftFlexibilität und Anpassungsfähigkeit für eine nahtlose IntegrationDie Partnerschaft war von Anfang an auf eine schrittweise Skalierung ausgelegt. Nach Abschluss der technischen Integration wurde der Traffic während der Implementierungsphase sukzessive und reibungslos erhöht.Gcore bewies während des gesamten Onboarding-Prozesses Flexibilität und passte seine CDN-Funktionen an die Anforderungen von Microsoft an, während gleichzeitig der standardisierte Konfigurationsansatz beibehalten wurde, den Microsoft bei allen seinen Anbietern einsetzt. Diese enge Zusammenarbeit ermöglichte eine reibungslose Integration in die bestehende Multi-CDN-Strategie von Microsoft.„Das Gcore-Team reagierte während des gesamten Integrationsprozesses sehr schnell. Es passte sich zügig an unsere Anforderungen an und hielt gleichzeitig den standardisierten Konfigurationsansatz ein, den wir bei all unseren Anbietern benötigen. Dadurch verlief das Onboarding reibungslos und effizient.“Joey Etzler, Principal Technical Program Manager – Content Delivery Network, MicrosoftZuverlässige globale Performance im großen MaßstabMit der Unterstützung von Gcore stärkte Microsoft erfolgreich seine Multi-CDN-Strategie und sicherte so eine zuverlässige, leistungsstarke Content-Auslieferung für Nutzer weltweit. Die robuste globale Infrastruktur ermöglicht die Bereitstellung von Inhalten in allen wichtigen Regionen und erfüllt dabei die Performance-Anforderungen von Microsoft-Nutzern.Auch bei wichtigen Kennzahlen wie Reaktionszeiten und Download-Geschwindigkeiten erreicht Gcore das von Microsoft erwartete Niveau. So profitieren Nutzer von einer konsistenten Erfahrung – unabhängig davon, über welchen CDN-Anbieter die Inhalte bereitgestellt werden.„Gcore hat durchgehend die globale Kapazität und Zuverlässigkeit geliefert, die wir benötigen. Das Netzwerk wurde nahtlos in unsere Multi-CDN-Strategie integriert und erfüllt unsere Performance-Standards in allen Regionen.“Joey Etzler, Principal Technical Program Manager – Content Delivery Network, MicrosoftEine langfristige Partnerschaft für die Zukunft aufbauenAls Teil einer ausgewählten Gruppe führender CDN-Anbieter hat Gcore bewiesen, dass das Unternehmen CDN-Services auf Enterprise-Niveau weltweit und in großem Maßstab bereitstellen kann. Die Partnerschaft zeigt, dass Gcore als Unternehmen mit europäischem Hauptsitz in der Lage ist, die umfangreiche Infrastruktur bereitzustellen, die globale Technologieführer benötigen.Nach erfolgreichem Abschluss der technischen Integration und mit einer etablierten Erfolgsbilanz ist Gcore gut aufgestellt, um Microsoft auch künftig bei seinen wachsenden Anforderungen an die weltweite Content-Auslieferung zu unterstützen.Nahtlose, skalierbare und zuverlässige Content-Auslieferung mit GcoreDurch die Nutzung eines umfangreichen globalen Netzwerks mit über 210 Points of Presence (PoPs) und die kontinuierliche Weiterentwicklung modernster Infrastruktur ist Gcore bestens gerüstet, um die Anforderungen globaler Technologieunternehmen zu erfüllen und die Kapazität, Zuverlässigkeit und globale Reichweite zu liefern, die für CDN-Anforderungen auf Enterprise-Niveau erforderlich sind.Wenn Sie auf der Suche nach einer leistungsstarken, global verteilten CDN-Infrastruktur sind, die auch enorme Kapazitätsanforderungen zuverlässig skalieren kann, kontaktieren Sie uns, um Ihre Anforderungen an die Content-Auslieferung zu besprechen. 

• 

  So skalierte ProSieben mit Gcore „Germany’s Next Topmodel TOPSHOT” für KI-Porträts in Echtzeit

  Zur Feier der 20. Staffel von „Germany’s Next Topmodel“ (GNTM) präsentierte das Marketingteam von ProSieben „GNTM TOPSHOT“ – ein KI-gestütztes Feature in der Joyn-App, das es Nutzern erlaubt, ihre eigenen Fotos sofort in Porträts zu verwandeln, die denen aus der Show in nichts nachstehen.Die Herausforderungen, um mit der Dimension des multinationalen TV-Erfolges mitzuhalten, waren groß: massive Primetime-Spitzen bewältigen, Ergebnisse immer und überall in Echtzeit liefern und die strikte Einhaltung der EU-Datenschutzbestimmungen gewährleisten. Um diese Herausforderungen zu bewältigen, entschied sich ProSieben für Gcore Everywhere AI.Wir brauchten eine Lösung, die sich nach Bedarf skalieren lässt, in Sekundenschnelle liefert und Daten lokal speichert. Mit der Infrastruktur von Gcore konnten wir eine kreative Idee verwirklichen, ohne die User Experience zu beeinträchtigen.– Simon Hawe, Technischer Leiter, JoynDie Herausforderung: Kreativität in Echtzeit auf TV-LevelTOPSHOT musste fünf strenge und nicht verhandelbare Anforderungen erfüllen:Spitzenauslastung zur Primetime: Vor, während und nach der Live-Ausstrahlung in Deutschland, Österreich und der Schweiz stieg die Nutzung sprunghaft an.Extrem niedrige Latenz: Die Fans erwarteten ihr Ergebnis innerhalb von 5 bis 10 Sekunden pro Bild, vom Upload ihres Fotos bis zum fertig generierten Porträt.Privacy by Design: Joyn löscht alle Fotos sofort, um Nutzerdaten zu schützen. Caching und Speicherung waren keine Optionen. Dadurch musste jede Anfrage von Grund auf neu verarbeitet werden.Hohe Wiedergabetreue: Jedes Porträt erforderte einen etwa 100-stufigen Workflow für Segmentierung, Ausleuchtung, die Beibehaltung von Teint und Pose sowie die Bildkomposition, um der charakteristischen Ästhetik von GNTM zu entsprechen.Reibungslose User Experience: Um das Feature zu nutzen, sollte keine Anmeldung erforderlich sein. Die Bildgenerierung musste „einfach funktionieren“ – auch über mobile Netze.Aus Fans werden Models – jederzeit und überallProSieben benötigte eine Inferenzplattform, die skalierbar, datenschutzkonform und einfach zu integrieren war. Gcore Everywhere AI lieferte genau das.Ein Endpunkt, nächstgelegener Knoten: Smart Routing leitete jede Anfrage automatisch an den nächstgelegenen GPU-Endpunkt weiter, um Jitter und Wartezeiten auf ein Minimum zu reduzieren.Automatische Skalierung von GPUs: Die serverlose Orchestrierung korrigierte die GPU-Kapazität in Echtzeit nach oben oder unten und bewältigte so auch unvorhersehbare Spitzenlasten.EU-konforme Bereitstellungen: Die Unterstützung für eine hybride Infrastruktur (on premise, Gcore Cloud, Public Cloud) ermöglichte ProSieben volle Flexibilität bei der Datenresidenz.Optimiert für Bild-Workloads: Everywhere AI führte die komplexen Prozesse von TOPSHOT auf NVIDIA H100-, A100- und L40S-GPUs aus – die idealen Prozessoren für generative Bildmodelle.Unsere größte Herausforderung war es, visuelle Wiedergabetreue mit Echtzeit-Responses zu kombinieren. Mit dem Smart Routing und der automatischen Skalierung von Gcore wurde genau das in Primetime-Größenordnung möglich.– Benjamin Risom, Chief Product Officer, JoynDiese Architektur bot ProSieben folgende Vorteile:Der gesamte Datenverkehr wurde über einen einzigen Inferenz-Endpunkt geleitet, zusätzlich unterstützt durch einen eigenen Load Balancer.Porträts konnten innerhalb von weniger als 10 Sekunden generiert werden – selbst bei hohen Lasten während der Ausstrahlung der Show.Die strengen Datenschutzversprechen wurden eingehalten: keine Anmeldung erforderlich, keine Speicherung von Eingaben oder Ausgaben.Das neue Feature konnte nahtlos in die User Experience innerhalb der Joyn-App integriert werden.Im April 2025 ging TOPSHOT mit fünf Porträtszenen live. Wenige Wochen später kamen drei weitere hinzu.Da wir wussten, dass die Infrastruktur mit uns wachsen würde, konnten wir uns ganz auf die kreative Arbeit konzentrieren. Das hat es uns ermöglicht, unseren Zuschauern etwas wirklich Besonderes zu bieten.– Sebastian v. Wyschetzki, Creative Lead, Seven.One Entertainment GroupEchtzeit-Interaktion auf Primetime-LevelDer Launch von TOPSHOT fiel mit einer Staffel zusammen, die für sich genommen bereits für kulturelles Aufsehen sorgte.Das Finale der 20. Staffel von GNTM am 19. Juni 2025 wurde von 3,87 Millionen Zuschauern gesehen und erreichte einen Marktanteil von 22,4 % in der Zielgruppe der 14- bis 49-Jährigen.Im April 2025 verzeichnete Joyn 10 Millionen Zuschauer und damit +80 % im Vergleich zum Vorjahr. Im ersten Quartal 2025 stieg die Sehdauer im Vergleich zum Vorjahr um 40 %.TV-Total-Moderator Sebastian Pufpaff stellte TOPSHOT live in seiner Sendung vor, lobte die Optik und löste damit einen organischen Anstieg in der Nutzung aus.Die Fachpresse betonte die „skalierbare Gcore-Infrastruktur“ als Grundlage des Features.Die Plattform von Gcore erlaubte uns regionale Performance und bot Kontrolle über die Datenschutzanforderungen und GPU-Skalierung, ohne dass wir selbst eine Infrastruktur aufbauen und verwalten mussten.– Paolo Garri, Infrastrukturarchitekt, JoynWie geht es weiter?Um auf dem Erfolg von TOPSHOT aufzubauen, experimentiert ProSieben mit möglichen neuen KI-Erlebnissen für Fans – darunter Videoporträts, Echtzeitfilter oder stilisierte Animationen. Die flexible Infrastruktur von Gcore ermöglicht es dem Team, Ideen zu testen, ohne die Architektur umstellen zu müssen.Der Erfolg von TOPSHOT hat uns gezeigt, was möglich ist. Jetzt fragen wir uns: Was können wir damit noch alles machen?– Jutta Meyer, Executive VP Marketing & Creation, Seven.One Entertainment Group

• 

  Higgsfield AI startet Partnerschaft mit Gcore für skalierbare KI-Infrastruktur und Managed Kubernetes-Support

  Das 2023 gegründete Unternehmen Higgsfield entwickelt eine Video-Reasoning-Engine mit klarem Fokus auf die moderne Aufmerksamkeitsökonomie. Seine browserbasierte, KI-native Plattform vereint Ideenfindung, Bearbeitung und Postproduktion in einem einzigen Workflow und ermöglicht es Kreativen und Unternehmen, innerhalb von Minuten statt Wochen kurze Videos in Kinoqualität zu produzieren.Higgsfield liefert schnelle, kontrollierbare und skalierbare Ergebnisse mit dem Anspruch, gleichzeitig die narrative Kontinuität und kulturelle Resonanz in den Bereichen Medien, Marketing und Markenkommunikation zu bewahren. Higgsfield ist in den USA, Europa und Asien tätig, unterhält seinen Hauptsitz im Silicon Valley und wird von hochkarätigen Investoren und erfahrenen Technologieexperten unterstützt, die Erfolgsgeschichten mit Produkten und Ergebnissen im Milliardenbereich vorweisen können.Um auf die steigende Nachfrage und die dafür nötige Skalierung vorbereitet zu sein, benötigte Higgsfield eine robuste, flexible Infrastruktur, die zudem den komplexen Anforderungen seiner dynamischen Workloads und der schnell wachsenden Anzahl an Nutzern gerecht werden musste.Die Basis für generative KI in großem MaßstabHiggsfield hatte bereits mit anderen GPU-Anbietern zusammengearbeitet, sah sich aber mit begrenzten Kapazitäten und dem Mangel an skalierbaren Orchestrierungsmöglichkeiten konfrontiert. Die generative Plattform ist auf die effiziente Ausführung groß angelegter KI-Modelle angewiesen. Das Team hatte daher hohe Anforderungen an die Infrastruktur. Das zentralen Prioritäten waren:Sofortiger Zugriff auf leistungsstarke H100-GPUs mit der Möglichkeit, die verfügbare Leistung abhängig von den jeweiligen Projektanforderungen nach oben oder unten zu korrigierenAutomatische Skalierung der GPU-Infrastruktur, um auch unvorhersehbare und umfangreiche generative KI-Workloads zu bewältigenManaged Kubernetes mit GPU-Worker-Nodes, Load Balancern und Cloud-Netzwerken für einfache Orchestrierung, automatisierte Skalierung und maximale StabilitätSchnelles Onboarding und intensiver Support für einen schnellen Übergang vom Testing zur BereitstellungTransparente und kalkulierbare Preisgestaltung mit effizienter und einfacher Vertragsabwicklung sowie PAYG- oder Commitment-ModellenVerfügbarkeit und Flexibilität auch für zukünftige ErweiterungenWarum sich die Infrastruktur von Gcore von anderen Anbietern unterscheidetHiggsfield wandte sich an Gcore, weil das Unternehmen ohne Vorlaufzeit eine große Anzahl von H100-GPUs benötigte, die sich flexibel nach Bedarf skalieren ließen. Gcore konnte die erforderlichen H100-GPUs ohne Verzögerung zur Verfügung stelle und verhalf Higgsfield so dazu, Lieferengpässe zu beseitigen und die engen Entwicklungsfristen einzuhalten.Die transparente Preisgestaltung ermöglichte Higgsfield eine bessere Budgetplanungund eine einfachere Kostenkontrolle, was für die kurzen Release-Zyklen des Unternehmens von entscheidender Bedeutung war. Außerdem schätzte Higgsfield das Engagement von Gcore für nachhaltiges Hardware-Design, die hohe Zuverlässigkeit und Verfügbarkeit sowie den rund um die Uhr erreichbaren DevOps-Engineering-Support.Darüber hinaus bot die Bereitstellung der Infrastruktur über den Gcore Sines 3-Cluster in Portugal die regionale Flexibilität und hohe Performance, die Higgsfield zur Unterstützung seiner Plattform benötigte.Ausschlaggebend für die Entscheidung von Higgsfield zu einer Zusammenarbeit mit Gcore war schließlich die Fähigkeit, Managed Kubernetes mit GPU-Worker-Nodes bereitzustellen. Das ermöglichte in Echtzeit eine dynamische Skalierung und flexible Anpassung der Rechenressourcen an den Bedarf der Nutzer. Geschwindigkeit und Flexibilität sind für den laufenden Betrieb von Higgsfield entscheidend: Das Unternehmen möchte Kooperationen mit Partnern schnell umsetzen und Kapazitäten nach Bedarf skalieren können. Das optimierte Serviceangebot, das effiziente Onboarding und der reaktionsschnelle Support von Gcore ermöglichten genau das.Die Kombination aus GPU-Skalierung, H100-Verfügbarkeit und Managed Kubernetes war für uns von immensem Wert. Gcore gab uns die Kontrolle und Flexibilität, die unser Engineering-Team brauchte, um flexibel und schnell zu agieren.– Alex Mashrabov, CEO, Higgsfield AISchneller, unkomplizierter Start mit dediziertem Engineering-SupportDas Team von Gcore leistete gezielten Engineering-Support und unterstützte Higgsfield dabei, seine Workloads im Rahmen einer einwöchigen Testphase zu testen. Nachdem sie sich auf diese Weise von der Performance überzeugt hatten, stellte Higgsfield schnell auf die vollständige Bereitstellung um.Der direkte Zugang zum Engineering-Team von Gcore machte die Einarbeitung reibungslos und effizient. Wir konnten schnell testen und validieren und dann ohne Probleme skalieren.– Anwar Omar, Lead Infrastructure Engineer, Higgsfield AISkalierbare Performance und eine starke Grundlage für WachstumObwohl sich das Projekt noch in der Anfangsphase befindet, ist Higgsfield bereits live und führt mit Gcore aktiv GPU-gestützte Workloads in der Produktion durch.Das sind einige der wichtigsten Ergebnissen bisher:Nahtlose Bereitstellung in einer Managed Kubernetes-Umgebung mit GPU-Worker-Nodes und automatischer SkalierungOn-Demand-Zugriff auf H100-GPUs für rechenintensive generative WorkloadsKubernetes-basierte Orchestrierung für effiziente Containerskalierung und optimierte RessourcennutzungSkalierbare Infrastruktur, die sich dem Bedarf flexibel anpasstEine starke Grundlage für zukünftiges Produktwachstum und globale SkalierungWie geht es weiter?Derzeit prüft Higgsfield die Möglichkeit, die Zusammenarbeit über das Modelltraining hinaus auf eine verteilte Inferenzinfrastruktur mit Everywhere AI auszuweiten.Die Produkt-Roadmap des Unternehmens sieht die schnelle Veröffentlichung neuer Features vor. Häufig geht damit für kurze Zeiträume ein erhöhter GPU-Bedarf einher, was eine flexible Infrastruktur unerlässlich macht. Das skalierbare On-Demand-Modell von Gcore unterstützt diesen Prozess ohne Überprovisionierung.Wir sind begeistert vom Potenzial unserer Partnerschaft mit Gcore. Das Team reagiert unglaublich schnell und die Infrastruktur passt hervorragend zu Higgsfield. Wir prüfen aktiv weitere Möglichkeiten – von Everywhere AI bis hin zu einer breiteren Skalierung. Und wir sind gespannt, wohin uns diese Zusammenarbeit noch führen wird.– Alex Mashrabov, CEO, Higgsfield AI