इस टैग में 5 पोस्ट
मैंने 7 भाषाओं में 40 real episodes पर अपने AI podcast pipeline को grade करने के लिए एक eval framework बनाया। Review step scripts को और खराब कर रहा था (3.34 → 2.91)। सभी citation URLs fake लग रही थीं (score: 1.28)। Chinese सबसे कमज़ोर locale था (2.88)। छह fixes, एक दिन और एक नया model बाद — यहाँ हैं before/after numbers और हर वो change जो मैंने किया।
मैंने अपने दो AI podcast hosts के लिए system prompt लिखने में कई दिन लगाए। उन्होंने हर शब्द पढ़ा — और लगभग सब कुछ अनदेखा कर दिया। समाधान बेहतर शब्द नहीं था — बल्कि यह समझना था कि LLM नियमों को अलग-अलग तरीके से process करते हैं, इस बात पर निर्भर करता है कि वे आपके pipeline में कहाँ रहते हैं।
मैं DIALØGUE के iOS app के लिए एक clever, सिर्फ़-AI-वाला offline mode बनाने ही वाला था। फिर मैंने एक ज़्यादा boring सवाल पूछा — iOS मुझे पहले से क्या दे रहा है? — और पता चला कि असली काम तो clever बनने की इच्छा को रोकना था। यह है वो standard, बिल्कुल भी चमक-दमक रहित मशीनरी जो "एक episode download करो और plane में सुनो" के पीछे है — और क्यों boring रास्ता चुनना ही ज़्यादा समझदारी थी।
कुछ महीने पहले मैंने DIALØGUE का iOS app वेब प्रोडक्ट के एक port के तौर पर ship कर दिया था, फिर उसे लगभग पूरा native बनाकर दोबारा बनाया — तीन tabs, lock screen audio, synced transcript, भरोसेमंद offline, और Siri — क्योंकि फ़ोन में सिकोड़ा गया एक web app, आख़िर में एक web app ही रहता है।
मैंने अपने podcast platform के voice system में एक upgrade push किया। छह दिन और कई commits बाद, मैंने 2,724 lines of code delete कर दीं और उस stable version पर rollback कर दिया जो काम कर रहा था। यहाँ बताया गया है कि क्या हुआ और production में AI changes test करने के बारे में मैंने क्या सीखा।