Guide
EmbeddingGemma 2 gør lokale mediearkiver søgbare på nye måder
Et foto fra værkstedet og en gammel lydoptagelse kan indeholde svaret, selv om filnavnene ikke hjælper. Googles nye model giver udviklere en fælles måde at søge på tværs af medier, også lokalt.
Når filnavnet ikke fortæller hvad filen indeholder
Prøv at forestille dig et serviceværksted med billeder af reparationer, korte videoer og indtalte noter. En medarbejder husker, at nogen har set en bestemt fejl før, men ikke hvem der optog videoen eller hvilket navn filen fik. En søgning efter det præcise filnavn hjælper ikke meget i den situation.
Den 6. oktober 2026 lancerede Google EmbeddingGemma 2. Det er en model til at omsætte tekst, kode, billeder, lyd og video til talrepræsentationer, som kan sammenlignes i det samme rum. Google udgiver den under Apache 2.0-licensen og beskriver lokal kørsel på almindelige enheder som en anvendelse. [1]
De talrepræsentationer kaldes embeddings. For brugeren er pointen, at en beskrivelse med ord kan bruges til at finde relevant materiale i andre formater. Et tænkt spørgsmål om en bestemt maskindel kan dermed lede til et billede eller en optagelse, selv om ordene ikke står i filnavnet. Om det virker godt på jeres materiale, kræver en test.
EmbeddingGemma 2 er en byggesten til udviklere. En organisation får ikke et færdigt arkiv med rettigheder, brugerflade og opdateringer ved at hente modellen. Der ligger stadig et stykke arbejde i at bygge og drive den løsning, mennesker skal bruge.
Et arkiv kan rumme svar i flere formater end tekst. AI-genereret illustration.

Et godt match skal kunne åbnes og efterprøves
Et søgeresultat bør vise originalfilen, dens dato og den sammenhæng, den kommer fra. Ved lyd og video er et præcist sted i optagelsen særligt nyttigt. Så kan medarbejderen selv høre eller se, om materialet faktisk besvarer spørgsmålet.
Det er værd at holde to opgaver adskilt under afprøvningen. Den første er at finde relevant materiale. Den anden er at fortolke det og eventuelt formulere et svar. Hvis I tester begge dele på én gang, kan det være svært at afgøre, om en fejl skyldes et dårligt fund eller en forkert forklaring.
Googles modelkort beskriver en model med 740 millioner parametre og flersproget understøttelse. Det oplyser også, at de viste benchmarkresultater stammer fra modellen i fuld præcision. [2] Resultaterne kan derfor ikke uden videre bruges som dokumentation for en ændret opsætning på jeres telefoner eller computere.
Et billede af en næsten identisk reservedel kan være et godt visuelt match og samtidig være forkert til den konkrete reparation. Varenummer, version og sikkerhedskrav bør derfor kontrolleres i de autoritative oplysninger. Søgningen kan pege medarbejderen i den rigtige retning; den må ikke skjule de afgørende forskelle.
Søgningen skal hjælpe i den konkrete arbejdssituation. AI-genereret illustration.
Lokal drift løser kun en del af opgaven
Lokal søgning kan være interessant, når arbejdet foregår uden stabil forbindelse, eller når man ønsker at behandle materiale på en bestemt enhed. Men spørg til hele løsningen: Hvor ligger originalerne, hvor ligger søgeindekset, og sendes fejlrapporter eller forespørgsler videre? Ordet lokal besvarer ikke alle tre spørgsmål.
Et søgeindeks skal behandles som en del af jeres informationssystem. Når en fil slettes eller en medarbejders adgang ændres, skal søgningen følge med. Ellers kan et gammelt søgeresultat fortsat pege på oplysninger, som brugeren ikke længere bør se. Aftal derfor, hvem der opdaterer indekset, og hvordan ændringer bliver kontrolleret.
Googles udviklervejledning beskriver en modulær opsætning, hvor man kan indlæse de dele, der er nødvendige for de valgte medier. Den beskriver også muligheden for kortere vektorer, som fylder mindre, men kan sænke kvaliteten af søgningen. Google anbefaler at afprøve valget på de data, løsningen skal bruge. [3]
Det giver en konkret prioritering: Hvis arkivet kun indeholder tekst og fotografier, er der ingen grund til at gøre lyd til en del af første forsøg. Begynd med den arbejdssituation, der skaber mest besvær. Udvid først, når medarbejderne faktisk kan finde det, de leder efter.
Visuel lighed er ikke nok til at identificere den rigtige reservedel. AI-genereret illustration.

Test med spørgsmål som medarbejderne selv stiller
Lav eksempelvis 30 realistiske søgeopgaver sammen med de personer, der kender arkivet. Antallet er et forslag til et overskueligt pilotforsøg, ikke en statistisk garanti. For hver opgave skal en fagperson på forhånd udpege relevante filer og forklare, hvorfor de er relevante.
Medtag fagudtryk, danske forkortelser, upræcise beskrivelser og billeder, der ligner hinanden. Tilføj også spørgsmål, hvor svaret ikke findes. Løsningen skal hjælpe brugeren med at se den mangel, frem for at få det nærmeste match til at fremstå som et sikkert svar.
Sammenlign med den søgning, medarbejderne bruger i dag. Se, hvor ofte en relevant fil findes blandt de første resultater, og hvor lang tid det tager at kontrollere fundet. Gennemgå fejlene enkeltvis. En manglende fil kan skyldes indekseringen, dårlig billedkvalitet, uklare metadata eller selve modellen. De problemer kræver forskellige løsninger.
Giv medarbejderne en enkel måde at melde et forkert fund på. En kommentar som »forkert årgang af maskinen« er mere brugbar end en anonym tommelfinger ned. Den fortæller, hvilken forskel søgningen skal blive bedre til at vise.
EmbeddingGemma 2 gør det relevant at afprøve søgning i arkiver, der ellers er besværlige at bruge. Beslutningen om at fortsætte bør bygge på, om mennesker hurtigere finder det rigtige materiale og kan efterprøve det. En imponerende demonstration er et godt sted at få en idé; den lokale prøve afgør, om idéen holder.
Læs også
- AI og persondata – syv spørgsmål før du deler oplysninger
- Hallucinationer og bias i AI – forstå fejlene og kontrollér svarene
Kilder og videre læsning
- [1] Google. EmbeddingGemma 2 — lancering og anvendelser Udgivet 6. oktober 2026.
- [2] Google AI for Developers. EmbeddingGemma 2 model card — egenskaber og evaluering
- [3] Google Developers. EmbeddingGemma 2 The Developer Guide — konfiguration og afvejninger Udgivet 6. oktober 2026.