Open-weight AI gør dyr infrastruktur overflødig
GoodBarber brugte en to år gammel open-weight model på en laptop til at finde oversættelser mellem 5.892 blogindlæg på syv sprog – uden vektor database.
Læs i dit tempo
Kort
GoodBarber løste et problem med 5.892 uafhængige blogoversættelser ved at bruge en sprogmodel på en MacBook Pro.
Det betyder, at Google nu kan forstå sprogversionerne korrekt, hvilket forbedrer søgeresultaterne for brugerne.
Nu afholder virksomheden et Hacktoberfest-arrangement den 21. oktober for at dele deres metode.
Begynder
GoodBarber, en platform fra Korsika, hvor man kan bygge apps uden at kode, havde et problem med deres blog. De havde skrevet 5.892 indlæg på syv forskellige sprog, men ingen af dem var forbundet som oversættelser af hinanden. I fjorten år var hver oversættelse blevet lagt op som en helt ny og selvstændig artikel. Googles system, der hedder hreflang, kræver dog, at hver artikel skal nævne alle sine sprogversioner – og det gjorde ingen af deres artikler.
De oplagte måder at forbinde artiklerne på virkede ikke. Hver blog havde sine egne numre i webadresserne, datoerne varierede meget, og titlerne var oversat frit. Selv når man sammenlignede de såkaldte slug-navne i adresserne, fejlede det, hvis oversætteren havde lavet et godt stykke arbejde.
Løsningen blev at bruge en sprogmodel, som er en slags kunstig intelligens, der forstår tekst. Ingeniørteamet brugte en bærbar computer med en kraftig chip og kørte to gratis modeller: en fra Google og en fra et forskningsinstitut. Med omkring 600 linjer kode og uden en særlig database til vektorer fik de matchet alle artiklerne på en eftermiddag. De tog udgangspunkt i fransk, fordi det var deres hovedsprog. Modellen læste resuméet af hver fransk artikel og sammenlignede det med mulige oversættelser på andre sprog – præcis som et menneske ville gøre. Resultatet blev, at alle artikler nu har fuld hreflang-dækning, og det krævede ingen dyr infrastruktur. GoodBarber holder desuden et online-arrangement om emnet den 21. oktober.
GoodBarber, en no-code app-platform fra Korsika, havde et problem: 5.892 blogindlæg fordelt på syv sprog, hvor ingen af dem var markeret som oversættelser af hinanden. I fjorten år var hver oversættelse blevet publiceret som en ny, uafhængig artikel. Googles hreflang kræver dog, at hver artikel lister alle sine sprogversioner – og det gjorde ingen.
Ingen af de oplagte nøgler virkede. URL-numre var per-blog-tællere, datoer varierede fra dage til måneder, og titler blev oversat frit. Selv slug-overlap fejlede, når oversætteren gjorde sit arbejde godt.
Løsningen blev en sprogmodel. Ingeniørteamet brugte en MacBook Pro med M3 Max og 48 GB RAM, kørte Ollama og to open-weight-modeller: gemma2:27b fra Google (juni 2024) og bge-m3, BAAI's flersprogede indlejringsmodel. Med omkring 600 linjer Python og ingen vektor database matchede de alle artikler på en eftermiddag.
Fransk blev omdrejningspunktet. Modellen læste resuméet af hver fransk artikel og sammenlignede med kandidater på de andre sprog – præcis som et menneske ville gøre. Resultatet: fuld hreflang-dækning, uden dyr infrastruktur.
GoodBarber afholder desuden et Hacktoberfest-arrangement om emnet den 21. oktober.
Kilder
Produktionshistorie
- Radar Signal ? af 100 · spredning 1 kilder
- Vurdering Nyheds 3/5 — Konkret brug af open-weight model til praktisk opgave, relevant for udviklere.
- Skrevet Model: deepseek-v4-flash · temperatur 0.4
- Overskrift 1 kandidater, valgt af deepseek-v4-flash
- Billede Genereret af gemini-2.5-flash-image
- Vedtagelse ainews-auto-v3 · score 0.6506