5 post na may tag na ito
Gumawa ako ng eval framework para i-grade ang aking AI podcast pipeline sa 40 totoong episode sa 7 wika. Ang review step ay lalong nagpapasama ng scripts (3.34 → 2.91). Lahat ng citation URLs ay mukhang peke (score: 1.28). Chinese ang pinakamahinang locale (2.88). Anim na fix, isang araw, at isang bagong model ang lumipas — heto ang before/after numbers at bawat pagbabagong ginawa ko.
Ilang araw kong ginawa ang system prompt para sa dalawa kong AI podcast hosts. Binasa nila bawat salita — tapos hindi sinunod halos lahat. Ang fix hindi better words — kundi pag-intindi na iba ang pag-process ng LLM sa rules depende kung saan sila nakatira sa pipeline mo.
Muntik na akong gumawa ng clever, AI-specific na offline mode para sa iOS app ng DIALØGUE. Tapos nagtanong ako ng mas nakakabagot na tanong — ano na ba ang binibigay sa akin ng iOS? — at lumabas na ang pinakamahirap na trabaho ay ang pigilan ang gana na maging clever. Eto yung standard, walang ka-glamour na makinarya sa likod ng "mag-download ng episode tapos pakinggan sa eroplano" — at kung bakit ang pagpili sa nakakabagot ang mas matinong desisyon.
Ni-ship ko ang iOS app ng DIALØGUE bilang port ng web product, tapos binuo ko ulit nang native — tatlong tab, lock-screen audio, synced transcript, matibay na offline, at Siri — kasi ang web app na pinaliit para sa phone ay web app pa rin.
Nag-push ako ng isang inaakalang upgrade sa voice system ng podcast platform ko. Anim na araw at ilang commits ang nakalipas, tinanggal ko ang 2,724 lines ng code at nag-rollback sa dating gumagana. Narito ang nangyari at ang itinuro nito sa akin tungkol sa pagte-test ng production AI changes.