В предыдущей статье нейросеть NotebookLM была упомянута только вскользь. А здесь приводится ее очень подробное описание.
Часто те, кто знакомится с NotebookLM, начинают думать, что эта нейросеть «заточена» исключительно под создание подкастов. Но хотя эта функциональность развивается в первую очередь, NotebookLM успешно решает и ряд других задач. Здесь мы рассмотрим все аспекты.
Нейросеть NotebookLM — это мощный ИИ-инструмент от Google, позволяющий пользователям загружать несколько источников данных разного формата:
- PDF-файлы,
- ссылки на веб-сайты,
- аудио,
- видео,
- скопированный текст,
- Google Docs,
- слайд-шоу,
- документы с разметкой markdown.
Ремарка для лучшей понятности дальнейших терминов: notebook на английском означает «блокнот».
Нейросеть NotebookLM может обрабатывать до 50 различных источников в одном блокноте. Это позволяет создать локальную базу авторских данных, закрытых для внешних пользователей.
Вся мощь NotebookLM проявляется в умении давать ответы на различные запросы по всем источникам.
Что умеет нейросеть NotebookLM?
Нейросеть NotebookLM умеет очень многое:
- Отвечать на конкретные вопросы об информации, содержащейся в загруженных источниках. При этом он подсвечивает места в документах, на которые ссылается. Это бывает полезно при поиске конкретной информации в большом документе.
- Генерировать резюме источников. Создаются краткие резюме отчетов, предоставляются ключевые слова и темы, предлагаются краткие обзоры. При это можно выбирать состав обрабатываемых источников.
- Создавать различные выходные данные, включая:
— Учебные пособия: учебные пособия с викторинами и ключевыми терминами.
— Брифинги: краткие брифинги, дающие общее представление об информации.
— Хронологии: может генерировать хронологии (таймлайны) на основе исторических документов, планов или проектов.
— Часто задаваемые вопросы. - Генерировать аудиообзоры (подкасты):
— NotebookLM может создать сгенерированный AI подкаст, который суммирует содержание источников.
— Подкасты можно настроить для фокусировки на конкретном источнике, теме или аудитории.
— Пользователи также могут настраивать разговорный стиль подкаста.
— Сгенерированное аудио можно скачать.
— В новых обновлениях можно даже вести своего рода ограниченный диалог с подкастом. - Анализировать презентации или звонки: Может анализировать языковые шаблоны, согласованность и общий посыл, чтобы помочь пользователям провести самооценку и выявить тенденции.
- Организовывать мысли и идеи: NotebookLM позволяет пользователям добавлять несколько заметок, объединять их и создавать учебные пособия, конспекты или объединенные заметки из источников.
- Действовать как личный тренер или консультант: Загружая книги или другие материалы, пользователи могут побуждать NotebookLM действовать как личный тренер, предоставляя пошаговые руководства или идеи на основе исходных материалов.
- Извлекать планы действий и контрольные списки: NotebookLM может извлекать лучшие практики из источников для разработки планов действий или контрольных списков.
- Переводить текст на разные языки: Перевод как входного, так и выходного текста на несколько языков. Правда, подкасты NotebookLM создает пока только на английском.
- Анализировать код: Может анализировать код и добавлять заметки в проекты кода.
Примеры реального применения нейросети NotebookLM
Примеров применения NotebookLM уже много. Ниже приведено по нескольку вопросов в разных областях бизнеса, чтобы показать разнообразную пользу от общения с этой нейросетью. Здесь нет претензии на всеохватность. У каждого может быть свой набор запросов.
В фигурных скобках зашифрованы конкретные уточнения.
- Анализ отчетов о {AAA}: Пользователь загрузил {NNN} отчетов о {AAA}, а также PDF-файлы и видео на YouTube о {AAA}.
Запросы:
— Каковы 10 основных тенденций в области {AAA}, основанные на последних {NNN} отчетах?
— Каковы три основных способа {BBB}?
— Есть ли что-нибудь в отчетах о {AAA}, что говорит о том, что (не) следует (не) делать/избегать/ожидать/и т.п. в течение {Время}?
— Что говорят источники о {Действие} в {Программа/Проект/и т.п.}? - Управление руководствами и мануалами: Создан блокнот со всеми руководствами пользователя и мануалами.
Запросы:
— Разные вопросы по матчасти. - Налоги и бухгалтерский учет:
Используется блокнот для своего бизнеса с загруженными: налоговым кодексом, инструкциями, налоговыми и аудиторскими отчетами.
Запросы:
— Каковы были мои {налоговые обязательства/выплаты/штрафы/и т. п.} в {Период}?
— Каковы заметные тенденции в моей финансовой отчетности?
— Имею ли я право на {освобождение от налогов/льготы/и т. п.} в связи с {Причины}? - Подбор персонала:
Создан блокнот для подбора персонала с рекомендациями от отдела кадров, критериями оценки эффективности, банками вопросов, резюме кандидатов и заметками о собеседовании.
Запросы:
— Каковы основные достижения и соответствующие навыки этого кандидата, основанные на представленных им документах?
— Исходя из того, что мы ищем {Роль_Подразделение}, дайте мне 10 вопросов, которые я должен задать этому кандидату.
— Каковы основные сильные и слабые стороны этого кандидата на основании заметок к интервью? - Управление проектами: Ведется блокнот для каждого проекта с проектными документами, заметками о совещаниях, планами проекта и документами из аналогичных проектов.
Выходные данные: Созданы документы с общими сведениями для руководителей высшего звена, графики проекта и документ с часто задаваемыми вопросами для коллег.
Запросы:
— Каковы мои невыполненные задачи?
— Напишите письмо с отчетом о совещании на основе {протокола/решения} совещания.
— Определите знания и стратегии, которые я могу использовать в своем следующем проекте. - Анализ воронок email-маркетинга: Пользователь загрузил {NNN} писем из успешной воронки email-маркетинга.
Запрос:
— Дайте мне план действий, основанный на лучших практиках, которые используются в этой email-воронке.
Ответ:
NotebookLM предоставил план действий, который включал тон, ценностное предложение, рассказывание историй, призыв к действию и тематические рекомендации, разбитые по дням. - Оптимизация звонков по продажам: Используются транскрипты успешных и неуспешных звонков по продажам.
Запрос:
— Проанализируйте транскрипты и определите, что делает успешные звонки по продажам более эффективными.
Ответ: NotebookLM предоставил информацию как об успешных, так и о неуспешных звонках по продажам, а пользователь также смог создать подкаст для обсуждения различий. - Создание личного тренера: Пользователь загрузил книги, руководства, аудиозаписи, разные заметки.
Запрос:
— Дайте мне предложения по улучшению моей презентации по {AAA} и по ее реструктуризации на основе {YYY}.
— Создайте предложения по улучшению конверсии.
— Предложите направления улучшения презентации на основе {YYY} и отзывов. - Создание информационных бюллетеней: Пользователь загрузил текст из нескольких информационных бюллетеней в своей нише.
Запрос:
— Проанализируйте эти информационные бюллетени, дайте основные выводы и создайте информационный бюллетень, в котором будут отобраны только самые актуальные для моей целевой аудитории вещи. - Создание частного подкаста: Используются транскрипты из существующего онлайн-курса.
Задача:
— Написать сценарии для частного подкаста на основе транскриптов курса. - Анализ текста на посадочной/продающей странице сайта:
— Пользователь загрузил URL успешной сторонней посадочной/продающей страницы.
Запрос:
— Проанализируйте всю посадочную/продающую страницу и расскажите об ее сильных и слабых сторонах.
Ответ: NotebookLM выявил элементы продающего текста и методы убеждения, используемые на странице.
Запрос:
— Составьте план действий по созданию моей собственной посадочной/продающей страницы на базе загруженной. - Анализ выпусков подкастов: Используется аудиофайл эпизода подкаста и URL своего веб-сайта.
Запросы:
— Дайте мне обзор эпизода подкаста.
— Составьте ежедневный план действий для внедрения обсуждаемых вещей в мой бизнес.
— Сгенерируйте учебное пособие для эпизода подкаста.
Ответ: NotebookLM создал учебное пособие, включающее викторину. - Анализ успешных рекламных текстов: Загружены примеры успешных рекламных текстов.
Запрос:
— Проанализируйте эти объявления и расскажите про общие элементы в них. - Анализ отзывов клиентов:
Используются отзывы клиентов, заявки в службу поддержки и ответы на опросы, а также URL веб-сайта с отзывами.
Запрос:
— Обобщите ключевые темы, выявите области для улучшения и предоставьте анализ настроений. - Создание подкаста с веб-сайта: Пользователь нашел в интернете интересную статью и скопировал ее URL в NotebookLM.
Запрос:
— Сгенерируйте AI подкаст на основе предоставленного URL-адреса. - Анализ видео на YouTube: Пользователь добавил в блокнот несколько ссылок на видео с YouTube.
Запросы:
— Создайте документ с обобщенными со всех видео сведениями, с разбиением на темы и подтемы.
Ответ: NotebookLM сгенерировал документ с общими сведениями, в котором были обобщены основные темы, ключевые идеи, факты, проблемы и решения.
Запросы:
— Разные запросы по затронутым темам, идеям, проблемам. - Изучение темы (обучение):
Используется блокнот с файлами финансовых отчетов, аналитических статей, учебников, URL-адресами сайтов.
Запросы:
— Разные запросы по затронутым темам, идеям, проблемам.
Размер контекстного окна нейросети NotebookLM впечатляет.
Контекстное окно — объем информации, который может обрабатываться в рамках получения ответа на запрос. Включает в себя как все вопросы и ответы, так и загруженные документы и инструкции.
Ограничения NotebookLM — подтвержденные факты
- В один блокнот NotebookLM можно загружать до 50 источников длиной до 500 000 слов. Но это не значит, что нейросеть может работать со всем этим объемом в рамках одного чата.
- Информация о том, что в NotebookLM можно создать до 50 блокнотов для каждого пользователя, пока не подтверждена в доступных источниках. Однако, возможность создания несколько блокнотов, подразумевает способность управления большим объемом информации.
- Нейросеть NotebookLM создана на базе Google Gemini 2.0. Для Gemini 1.5 Pro было декларировано контекстное окно в 2 миллиона токенов. Однако, для Gemini 2.0 эта величина в явном виде не объявлялась. Можно ожидать, что контекстное окно для NotebookLM должно быть примерно того же порядка, что и у Gemini 2.0.
- Хотя обе модели, NotebookLM и Gemini, работают на технологии Google AI, функциональность у них разная. В отличие от Gemini, NotebookLM имеет большое хранилище данных в 25 миллионов слов. Это — суммарная емкость всех блокнотов.
- Эти 25 миллионов слов не связаны друг с другом. Они принадлежат отдельным источникам, на которые модель может ссылаться в соответствии с запросами пользователей. Ограничение контекстного окна означает, что только часть этих данных может быть активно использована во время любого отдельного взаимодействия.
- На платном плане NotebookLM декларирован размер контекстного окна в 5 раз больше, чем на бесплатном тарифе.
NotebookLM разработан как персональный AI-помощник для исследований с акцентом на анализ, синтез, быстрое и точное извлечение информации из нескольких разнородных источников. Имеет самое большое контекстное окно, т. е. может обрабатывать гигантские документы. Поэтому NotebookLM галлюцинирует меньше, чем другие нейросети. Качество источников сильно влияет на качество вывода.
PS.Если кликнуть по названию канала, то увидите другие статьи. Можно выбрать ещё что-то интересное для себя. А для просмотра будущих статей и поддержки автора — лучше вообще подписаться. Имеется также постоянно обновляемый гид-путеводитель по статьям канала.
#нейросети #нейронныесети #ИИ #AI #NotebookLM