Vitalii Vlasiuk
Współzałożyciel
Współzałożyciel Transept, piszący pod pseudonimem „Mevkh”. Ukończył filologię, a następnie zwrócił się ku oprogramowaniu: starszy inżynier AI dostarczający produkcyjne funkcje LLM dla ponad 50 000 użytkowników – RAG, narzędzia agentowe, ewaluacja LLM-as-judge. Pisarz na powolnej ścieżce, z 120 000 słów satyrycznego romansu fantasy w szufladzie. Tarcie między tłumaczeniem AI a jego własną prozą wprawiło to wszystko w ruch.
4 artykułów
Post-edycja tłumaczenia maszynowego (MTPE): czym jest, jak działa i jak robić to lepiej
Praktyczny przewodnik po post-edycji tłumaczenia maszynowego (MTPE): post-edycja lekka kontra pełna, dlaczego surowe MT wciąż wymaga udziału człowieka i jak mierzy się jakość – oraz dlaczego typowy model „najpierw automat, potem czyszczenie” często się nie sprawdza, a także iteracyjny proces oparty na pamięci tłumaczeniowej, który wygrywa z nim zarówno jakością, jak i kosztami.
Pamięć tłumaczeniowa: czym jest, jak działa i dlaczego ma kluczowe znaczenie dla lokalizacji AI
Pamięć tłumaczeniowa przechowuje treści, które Twój zespół już zatwierdził. Musieliśmy ustalić, co oznacza TM, gdy rolę tłumacza przejmuje model LLM, jak rynkowe narzędzia zapamiętują (lub zapominają) oraz na jakie rozwiązanie postawiliśmy w Transept: pamięć jako kontekst decyzyjny.
Ile tak naprawdę „myśli” AI podczas tłumaczenia?
Próbowaliśmy kontrolować budżet myślenia Gemini 3 tak samo, jak w przypadku Gemini 2.5. To już jednak tak nie działa. Oto co zmierzyliśmy zamiast tego – i co to oznacza dla jakości oraz kosztów tłumaczenia AI.
Witamy w Journalu
Dlaczego zaczęliśmy tu pisać, czego możecie się spodziewać i skromne zaproszenie, by do nas zaglądać.
