𝗪𝗵𝗮𝘁 𝗜 𝗟𝗲𝗮𝗿𝗻𝗲𝗱 𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗣𝗶𝗽𝗲𝗹𝗶𝗻𝗲-𝗔𝘄𝗮𝗿𝗲 𝗖𝗼𝗻𝘁𝗲𝗻𝘁 𝗶𝗻 𝗔𝘀𝘁𝗿𝗼
ஒவ்வொரு முறை பக்கத்தைப் பார்க்கும்போதும் (page view) ஒரு AI API-ஐ அழைக்காமலேயே, வெவ்வேறு மாடல் வகைகளுக்கான பிரத்யேக உள்ளடக்கத்தை உங்களால் உருவாக்க முடியும்.
நான் Astro பயன்படுத்தி ஒரு AI கருவிகளின் தொகுப்பை (directory) உருவாக்கினேன். தொடக்கத்தில், ஒவ்வொரு மாடல் பக்கமும் ஒரே மாதிரியாகத் தெரிந்தன. சுருக்கங்கள் (summaries) தனித்துவமாக இருந்தன, ஆனால் வழிகாட்டுதல் பகுதிகள் (guidance sections) பொதுவானதாகவே இருந்தன. ஒரு ஆடியோ மாடலுக்கான பக்கமும், ஒரு டெக்ஸ்ட் மாடலுக்கான பக்கமும் ஒரே மாதிரியான காலியான உரையைத்தான் காட்டின.
இது பயனர்களுக்குத் திருப்திகரமாக இருக்காது. மேலும், இது SEO-விற்கும் பாதிப்பை ஏற்படுத்தும்.
HuggingFace-லிருந்து pipeline_tag என்ற ஒரே ஒரு metadata புலத்தைப் (field) பயன்படுத்தி இதை நான் சரிசெய்தேன்.
இந்த அமைப்பு எவ்வாறு செயல்படுகிறது என்பது இங்கே:
- தரவு சேமிப்பு (Data Storage): எனது ETL செயல்முறை, தரவுகளைப் பெறும் (fetch) கட்டத்தின் போது
pipeline_tag-ஐ எனது தரவுத்தளத்தில் (database) சேமிக்கிறது. - பில்ட் டைம் லாஜிக் (Build Time Logic): Astro-வின் static site generation செயல்முறையின் போது இந்தத் டேக் (tag) ஏற்றப்படுகிறது.
- முடிவெடுக்கும் பாதைகள் (Decision Paths): இந்தத் டேக்-ஐச் சரிபார்க்க நான் எளிய குறியீட்டைப் (code) பயன்படுத்துகிறேன். டேக் "text-generation" என்று இருந்தால், பக்கம் LLM ஆலோசனைகளைக் காட்டும். அது "audio" என்று இருந்தால், பேச்சு (speech) தொடர்பான ஆலோசனைகளைக் காட்டும்.
- பூஜ்ஜிய ரன்டைம் செலவு (Zero Runtime Cost): இந்த லாஜிக் அனைத்தும் பில்ட் (build) செய்யும் போதே நடந்துவிடுகிறது. பயனர் வெறும் HTML-ஐ மட்டுமே பெறுகிறார். அவர்கள் தளத்தைப் பார்க்கும்போது எந்த API அழைப்புகளோ அல்லது கூடுதல் செயலாக்கமோ (processing) இருக்காது.
சிறந்த பயன்பாட்டுத் திறனை (usability signals) உருவாக்கவும் இந்தத் தரவைப் பயன்படுத்தினேன்:
• பதிவிறக்க நிலைகள் (Download Tiers): வெறும் எண்ணிக்கையைக் காட்டுவதற்குப் பதிலாக, மாடல்களை "established", "actively-used", அல்லது "niche" என வகைப்படுத்துகிறேன். இதன் மூலம் பயனர் சமூக ஆதரவை (community support) அவர்களால் பெற முடியுமா என்பதைத் தெரிந்துகொள்ளலாம். • பொருத்தமான இணைப்புகள் (Relevant Affiliates): LLM பக்கங்கள் GPU வாடகை இணைப்புகளைக் காட்டுகின்றன. Embedding பக்கங்கள் வேறுபட்ட, மிகவும் பொருத்தமான இணைப்புகளைக் காட்டுகின்றன. • இன்டெக்ஸ் கட்டுப்பாடு (Index Control): ஒரு மாடலில் தரவு குறைவாக இருந்தாலோ அல்லது டேக் விடுபட்டிருந்தாலோ, நான் "noindex" டேக் பயன்படுத்துகிறேன். இது குறைந்த தரமான பக்கங்கள் Google தேடல் முடிவுகளில் தோன்றுவதைத் தடுக்கிறது.
இதில் உள்ள சவால்கள் (Trade-offs):
- துல்லியமற்ற டேக்குகள் (Imprecise Tags): சில ஆசிரியர்கள் மாடல்களைத் தவறாகத் டேக் செய்கிறார்கள். இதைச் சமாளிக்க, பொதுவான வழிகாட்டுதலுக்கு (generic guidance) மாறும் வகையில் ஒரு 'fallback' முறையை நான் வைத்துள்ளேன்.
- குறியீட்டு சிக்கல் (Code Complexity): இப்போது பக்கத்தின் கூறுகள் (page component) நீளமாக உள்ளன. இது வளர வளர, இதை helper functions-களாக ரீஃபாக்டர் (refactor) செய்யத் திட்டமிட்டுள்ளேன்.
இதன் விளைவாக, நிகழ்நேர AI உருவாக்கத்திற்கு (real-time AI generation) அதிக செலவு செய்யாமலேயே, பயனருக்குத் தகுந்தவாறு வடிவமைக்கப்பட்ட ஒரு தளம் கிடைக்கிறது.