Alat Kecerdasan Buatan Yang Harus Menggunakan Semuanya
Jadi, Anda telah menandai 50 artikel, 20 tweet, 15 video YouTube, dan memiliki catatan tersebar di tiga aplikasi yang berbeda. Tetapi ketika Anda benar-benar membutuhkan informasi itu, Anda tidak dapat menemukannya. Dan Anda pasti tidak dapat melihat bagaimana semuanya terhubung. Itulah masalah Notebook LM memecahkan. Ini adalah alat belajar terbaik yang saya temukan untuk benar-benar memahami dan mempertahankan informasi, bukan hanya mengumpulkan itu.
Masalah terbesar dengan alat AI seperti ChachiPT adalah mereka berhalusinasi. Mereka percaya diri membuat hal-hal sepanjang waktu. Notebook LM memecahkan itu juga. Ini memiliki tingkat halusinasi yang sangat rendah karena hanya bekerja dengan sumber Anda. Ini juga memiliki salah satu fitur yang paling viral dari produk AI di mana Anda dapat membuat podcast yang menarik dari buku catatan Anda.
Anda mungkin telah melihat bahwa dan itu keren. Kami akan menutupinya. Tapi ada lebih banyak platform dari itu. Tapi mari kita mulai dengan dasar-dasar. Ketika Anda pertama kali membuka Notebook LM, Anda dapat membuat buku catatan baru. Dan ini semua pada
rencana bebas. By the way, ada rencana dibayar, tapi itu cukup tidak perlu bagi kebanyakan orang. Meskipun, itu tidak datang dengan rencana AI premium Google jika Anda sudah memiliki itu. Setelah Anda membuat sebuah notebook, Anda dapat mengunggah semua jenis sumber, PDFs, berkas teks, berkas audio, tautan ke situs web, video YouTube, atau menarik langsung dari Google Drive. Setiap sumber dapat sampai dengan 500.000 kata, dan Anda dapat mengunggah 50 sumber per notebook. Anda
mungkin berpikir, yang cara lebih dari ChateBT atau alat AI lain Anda digunakan untuk dapat menangani. Dan kau benar, itu bahkan tidak dekat. Aku akan menjelaskan bagaimana itu mungkin dalam hitungan detik. Aku merasa sangat menarik. Tapi di sini, saya mengunggah dua PDFs, beberapa website, dan dua video YouTube dari Saj di Skilap tentang Notebook LM. Dialah yang sebenarnya
membuat kursus LM Notebook penuh yang kita miliki pada platform kami di Futuredia. Jadi, tentu saja, video YouTube-nya penuh dengan informasi besar, juga. Tapi aku ingin lebih banyak sumber, dan aku tidak ingin terus mencari mereka. Jadi, kita juga memiliki sumber yang ditemukan. Hanya ketik topik Anda, dan itu akan mencari sumber yang relevan. Anda dapat menambahkan. Hanya
look through and deselect any that you don 't want to add. Lalu klik impor dan itu akan ditambahkan ke sumber Anda. Buku catatan LM menghasilkan ringkasan dan judul. Anda dapat datang ke sini untuk menyesuaikan judul. Kemudian Anda memiliki antarmuka obrolan di mana Anda dapat mengajukan pertanyaan. Tapi apa yang membuatnya berbeda
itu hanya menggunakan sumber Anda untuk menjawab dan mengutip persis di mana ia menemukan informasi dengan kutipan-kutipan klik yang membawa Anda langsung ke bagian itu. Sehingga sangat menurunkan tingkat halusinasi. Dan kemudian di sini di sebelah kanan, Anda dapat melihat informasi dalam format yang berbeda. Suatu gambaran audio yang menciptakan podcast, suatu gambaran video, peta pikiran, segala macam laporan, flashcard, kuis. Semua cara baru ini untuk memvisualisasikan dan lebih memahami informasi Anda. Lalu kapan
anda klik keluar, semua buku catatan Anda disimpan di sini. Kau bisa mengunjungi mereka kapan saja. Aku akan menyelam ke masing-masing fitur dengan tips tentang bagaimana mendapatkan yang paling dari mereka. Tapi pertama-tama, saya ingin menjelaskan bagaimana semua ini benar-benar bekerja dan mengapa bisa jauh lebih baik daripada hanya menggunakan GBT Chat atau Claude. Aku bilang kau bisa meng-upload 50 sumber yang masing-masing 500.000 kata. Itu 25
juta kata total. Dalam Chatbt, Anda dapat mengunggah sekitar 96.000 kata. Jadi, Notebook LM menangani 260 kali lebih banyak konten. Jadi, bagaimana mungkin? Ini karena perbedaan antara dasar pengetahuan dan jendela konteks. Konteks
jendela adalah memori kerja yang sebenarnya digunakan untuk menghasilkan jawaban. Notebook LM menggunakan Google Gemini 2,5 yang memiliki salah satu jendela konteks terbesar yang tersedia. 1 juta token yang sekitar 750.000 kata. GPPS percakapan hanya 128.000 token.
Claude 200.000. Grock adalah 256.000. Sekarang token adalah apa masukan bisa dipecah menjadi. Aturan umum jempol adalah bahwa satu token sama dengan sekitar 75 kata. Jadi 1 juta token kira-kira 750.000 kata.
Saya ingin menempatkan angka-angka ini ke dalam perspektif menggunakan Harry Potter. Dengan ChachiBT, kata 96.000 adalah tentang Harry Potter dan Batu Penyihir dengan sedikit ruang tersisa. Sekarang dengan Gemini apos; s 750.000word konteks jendela, itulah lima pertama buku Harry Potter. Kemudian untuk dasar pengetahuan LM Notebook, 25 juta kata, itu 23 lengkap Harry Potter seri. Semua tujuh buku 23 kali. Jadi, bagaimana kita melompat dari
bahwa 750.000.000 kata bekerja memori untuk 25 juta kata penyimpanan? Di situlah RAG masuk Mengambil kembali generasi. Notebook LM tidak menjejalkan semua dokumen Anda ke memori bekerja sekaligus. Sebaliknya, pikirkan dalam dua bagian.
1 juta tanda jendela konteks adalah memori yang bekerja. basis pengetahuan 25 millionword adalah memori jangka panjang disimpan sebagai basis data vektor. Hal ini cukup menarik bagaimana mereka bekerja, juga, tapi itu adalah tangen untuk video lain. Jadi, inilah yang terjadi ketika Anda mengajukan pertanyaan. Langkah pertama, Anda menanyakan sesuatu seperti, “Apa risiko utama dalam laporan keuangan saya?” Langkah kedua, Buku Catatan
LM mencari seluruh indeks dokumen untuk potongan teks yang paling relevan dengan pertanyaan Anda. Langkah ketiga adalah ia memuat hanya bagian-bagian tertentu ke dalam memori yang bekerja bersama dengan pertanyaan Anda dan sejarah chatting. Dan langkah keempat, Gemini menghasilkan jawaban Anda hanya menggunakan fokus informasi yang relevan. Ada alat kain lain di luar sana, tapi LM Notebook adalah unik karena memaksa kutipan untuk setiap jawaban. Anda dapat mengklik ke tempat yang tepat dalam dokumen sumber. Inilah sebabnya mengapa memiliki rendah seperti
tingkat halusinasi. Hal ini tidak membuat hal-hal atau menarik dari internet. Ini bekerja dengan dokumen Anda, menemukan bagian yang tepat untuk menjawab pertanyaan Anda. Dan kapasitas 25 millionword itu untuk setiap buku yang kau buat. Dan Anda dapat memiliki 100 notebook pada rencana bebas. Itu
berarti Anda bisa meng-upload seluruh pengetahuan perusahaan Anda, setiap transkrip pertemuan dari tahun lalu, atau semua makalah penelitian Anda untuk PhD Anda. Lalu LM catatan dapat benar-benar memahami dan menghubungkan informasi di semua itu. Jadi itu penjelasan yang panjang, tapi saya pikir Rag benar-benar menarik ketika saya pertama kali belajar tentang hal itu. Tapi mari kita kembali ke hal-hal praktis, apa yang dapat Anda lakukan dengan informasi ini. Jika Anda menggunakan Notebook LM untuk penelitian atau penciptaan konten dan ingin pergi lebih dalam ke apa yang mungkin, saya sangat menyarankan Anda memeriksa ini panduan gratis disediakan oleh HubSpot. Ini disebut
pemasaran apos; s panduan ke Google Gemini dan Notebook LM. Ini adalah panduan praktis yang menunjukkan Anda bagaimana menggunakan kedua Gemini dan Notebook LM bersama-sama untuk mempersingkat seluruh aliran konten Anda. Ini melampaui dasar-dasar. Ini mencakup kasus penggunaan pemasaran nyata seperti yang kompetitif [membersihkan tenggorokan] analisis, sesi isi SEO, dan repurposing konten di format yang berbeda. Di dalam, Anda akan menemukan jalan pintas-by- langkah mengalir dengan prompt aktual Anda dapat menggunakan, seperti bagaimana mengubah satu bagian konten menjadi beberapa format menggunakan analisis Notebook LM, ditambah kemampuan generasi Gemini.
Ada juga seluruh bagian tentang fitur LM Notebook canggih, beberapa di antaranya saya meliput dalam video ini. Tapi bagian favorit saya adalah skenario pemasaran dunia nyata. Mereka berjalan melalui bagaimana menggunakan alat-alat ini untuk hal-hal seperti menciptakan kalender konten, menganalisis umpan balik pelanggan, dan bahkan menghasilkan posting media sosial. Ini sangat dapat ditindaklanjuti, dan sekali lagi, benar-benar bebas untuk mengunduh menggunakan link dalam deskripsi. Jadi, terima kasih kepada HubSpot karena mensponsori video ini dan menyediakan sumber daya yang berharga seperti ini. Hidup
halaman utama ini, saya memiliki semua buku catatan saya. Anda dapat beralih ke tampilan daftar juga, hanya salah satu yang Anda inginkan. Lalu, klik di sini untuk membuat buku catatan baru. Sekarang saya ingin pergi lebih dalam tentang bagaimana Rag benar-benar bekerja. Jadi saya memiliki dua PDFs makalah penelitian tentang Rag. Hanya menyeret
yang masuk Lalu saya juga punya dua video YouTube tentang topik ini. Yang harus Anda lakukan adalah menempel di URL dan itu akan mendapatkan seluruh transkrip dari video itu. Aku juga menemukan banyak artikel bagus. Jadi saya hanya menempel masing-masing dari mereka masuk Anda dapat
upload banyak sekaligus. Hanya menambahkan ruang di antara masing-masing dari mereka. Dan itu adalah jumlah yang baik sudah, tapi aku akan klik menemukan sumber untuk mendapatkan lebih banyak. Aku hanya akan mengetikkan generasi tambahan dan mengirimkan. Aku hanya ingin memastikan dari mana masing-masing ini berasal. Aku tidak benar-benar ingin Wikipedia. Aku..
akan melewatkan Reddit. Ini tidak benar-benar relevan dengan apa yang ingin saya tanyakan. Dan sisanya terlihat seperti kertas penelitian. Jadi, akan kutinggalkan semuanya. Tapi sekarang, saya sudah memiliki ringkasan ini di sini di tengah. Dan aku bisa
mengajukan pertanyaan saya sendiri atau menggunakan pertanyaan yang disarankan mereka, yang sebenarnya benar-benar baik sebagian besar waktu. Jadi, saya akan klik yang satu ini. Apa keuntungan utama dan penurunan potensial menggunakan Rag dengan LLM? Sekarang, aku punya jawaban sepenuhnya. Rag mencegah LLM dari menghasilkan faktual tidak benar atau respon bias dikenal sebagai halusinasi dengan memastikan keluaran didasarkan dalam faktual diambil data dan bukti dari sumber eksternal. And I can hover over
kutipan untuk dibaca di sini atau klik melalui untuk melihatnya dalam konteks. Dan kau bisa terus mengobrol di sini. Tapi ini sesuatu yang sangat penting. Ini tidak menyimpan riwayat obrolan Anda secara default. Jika kau pergi, itu akan menghilang.
Tetapi jika Anda suka jawaban, Anda perlu klik save untuk mencatat untuk menyimpannya. Anda dapat melihat bahwa menyimpannya tepat di sini. Dan jika Anda menemukan jawaban yang benar-benar menyeluruh dalam percakapan Anda, Anda bahkan dapat mengkonversi catatan tersimpan ke sumber itu sendiri. Fitur besar lain di sini adalah Anda dapat dengan mudah memeriksa dan memeriksa sumber. Hal ini memungkinkan Anda fokus pada satu sumber tertentu atau beberapa sumber dengan sudut tertentu. Ini
benar-benar berguna untuk membandingkan perspektif atau pengeboran ke dokumen tertentu. Tapi katakanlah saya ingin memahami database vektor secara khusus. Saya memiliki segalanya tidak diperiksa kecuali beberapa sumber yang fokus pada topik itu. Sekarang aku bisa bertanya, bagaimana cara kerja basis data vektor? dan meringkas bahwa dalam satu kalimat.
Penyimpanan data khusus yang dirancang untuk indeks efisien dan mengambil penggelapan vektor, representasi numerik dari data semantik. Aku mendapatkan jawaban fokus dari dokumen-dokumen ini. Lalu aku bisa menggoyangkannya kembali setelah aku siap melihat gambaran lengkapnya lagi. Dan satu catatan terakhir di sini adalah Anda dapat datang ke pengaturan ini dan mendefinisikan gaya percakapan Anda dan panjang respon. Jika saya mengklik gaya custom, saya memiliki contoh respon pada tingkat mahasiswa PhD. Jika Anda baru untuk topik,
anda bisa mengatakan sesuatu seperti, “Pada tingkat pemula”. Mereka juga menyarankan, “Berpura-puralah menjadi tuan rumah permainan keliling”. Atau, “Bantu aku mempersiapkan rapat dewan mendatang”. Atau mungkin Anda menggunakannya sebagai panduan kebugaran dan tracker olahraga. Anda bisa memberikan tujuan Anda untuk menjalankan marathon sub-jam atau mendapatkan robek.
Mungkin Anda mengunggah dokumen hukum dan ingin mengatakan, “Bantu saya menghindari waktu penjara untuk kejahatan ini”. Ada banyak cara Anda bisa menyesuaikan ini. Aku akan meninggalkannya di default untuk saat ini. Dan mereka juga memiliki panjang respon yang lebih panjang atau lebih pendek. Jadi penyesuaian ini dapat sangat membantu untuk kasus penggunaan tertentu. Dan catatan samping, Catatan LM
tidak melatih pada percakapan Anda baik, dan itu bagus untuk privasi. Jadi ini sudah menjadi langkah besar dari model obrolan tradisional untuk banyak aplikasi. Catatan LM bukan untuk semuanya, tapi jauh lebih baik untuk hal-hal tertentu seperti penelitian, pembelajaran, dan ilmu sintesis. Ada beberapa cara lain yang benar-benar kreatif dan diabaikan untuk menggunakannya Aku akan menyebutkan sedikit kemudian juga. Sejauh ini, kita telah membahas bagaimana Anda dapat mempertanyakan dan mengatur informasi, tetapi bagian studio di sebelah kanan adalah di mana hal-hal menjadi benar-benar menarik. Di sinilah Anda dapat menyelam
lebih dalam menggunakan format yang berbeda untuk memahami lebih dalam dan mempertahankan pengetahuan lebih menyeluruh. Mari kita mulai dengan fitur yang sangat viral, gambaran audio. Hal ini mengubah semua pengetahuan Anda menjadi podcast yang terdengar realistis dengan dua AI host. Aku menghasilkan satu dan aku akan datang kembali ketika itu dilakukan. Baiklah, biarkan aku memainkan sedikit ini.
Selamat datang kembali ke menyelam. Hari ini kita benar-benar menggali ke dalam generasi pemulangan. Anda mungkin tahu sebagai RAG. > > Ya. > > Saya pikir ada contoh yang bagus eh dari sumber kita melihat, benar, tentang ruang. Jika Anda meminta cukup sederhana
pertanyaan seperti apa planet memiliki bulan paling > > Ah ya, dasar klasik LLM satu dilatih mungkin beberapa tahun yang lalu. Ini hanya menggunakan data pelatihan internal. > > Jadi ingat apa yang dipelajari saat itu. > > Tepat. Ini mungkin akan memberitahu Anda cukup
jupiter dengan percaya diri dengan 88 bulan > > karena baik itulah jawaban yang tepat ketika dilatih. > Tapi itu salah sekarang. > > Benar-benar salah sekarang. Dan itu tidak akan memberitahu Anda mengapa ia berpikir bahwa. Tidak ada sumber, hanya pernyataan.
Oke. Jadi sekarang tanyakan pertanyaan yang sama ke sistem kain. Apa yang terjadi secara berbeda? Perbedaan besar. Sistem kain mengambil pertanyaan Anda, tapi pertama-tama keluar dan melihat segalanya. Ini mengambil segar
informasi dari sumber eksternal, mungkin seperti basis data langsung NASA atau sesuatu yang mirip. > > Jadi ia menemukan jumlah saat ini, > > benar? Ia menemukan data terbaru Saturnus saat ini di 146 bulan meskipun jumlah yang terus berubah. Kemudian mengambil konteks yang diambil fakta yang dan memberikannya kepada LLM bersama dengan pertanyaan asli Anda. > > Ah sehingga memaksa LLM untuk menggunakan informasi baru > justru. Ini alasan respon dalam
diverifikasi up- to-date data eksternal. > > Jadi saya melewatkan beberapa intro di sana. Mereka selalu mengambil selamanya untuk sampai ke titik dan ada banyak bulu yang khas baik LLM dan podcast. Jadi, saya kira mereka dipaku getaran di sana. Setelah Anda melewati itu, itu hanya menakjubkan. Aku masih tertiup
jauh dengan fitur ini, meskipun sudah keluar untuk waktu yang lama sekarang. Terutama jika Anda sudah membaca beberapa hal ini dan mendapat pemahaman yang layak, ini akan memperkuat pembelajaran dan mereka akan menggunakan banyak contoh dan analogi di seluruh podcast. Jadi, Anda mendapatkannya dalam format dan perspektif yang sama sekali berbeda. Dan jika Anda merasa seperti ada terlalu banyak bulu atau mereka akan terlalu dalam atau tidak cukup dalam, ada cara untuk membantu dengan ini. Sebelum Anda menghasilkan, Anda dapat mengklik tombol penyuntingan ini dan mereka memiliki beberapa opsi pengaturan. Ada menyelam dalam, singkat,
kritikus, debat. Kemudian Anda juga dapat sepenuhnya menyesuaikannya, memberitahu mereka secara khusus apa yang harus difokuskan dalam episode. Jadi, saya pasti merekomendasikan untuk melakukan itu setiap kali Anda menghasilkan salah satu dari ini. Pilihan lain di sini untuk penyesuaian adalah mode interaktif ini. Hal ini memungkinkan Anda bergabung dengan percakapan. Jadi, saya akan klik interaktif
mode, kemudian mendapatkannya bermain di sini, dan kemudian aku akan melompat masuk > Selamat datang kembali ke menyelam. Hari ini, kami uh benar-benar menggali ke dalam penerimaan umum. > > Oh, tunggu. Seseorang ingin bergabung. Hei, pergi
untuk itu. Dapatkah Anda menjelaskan bagaimana basis data vektor bekerja dalam istilah sederhana? > Oh, itu adalah pertanyaan besar. > > Itulah komponen inti dari Rag > > dan kita benar-benar dapat memecah yang sederhana. > > Oke, mari kita membongkar ini.
Pikirkan basis data vektor kurang seperti basis data tradisional. > > Anda tahu, dengan baris dan kolom. > > Tepat. Sebaliknya, menganggapnya sebagai buku alamat yang sangat khusus untuk ide-ide. > > Sebuah buku alamat untuk makna.
Tepat. Pertama, kita mengambil semua dokumen perusahaan Anda, kan? > > Semua PDFs, manual, dsb. > Dan kami memotong mereka menjadi bagian-bagian kecil atau potongan. Itulah bagian yang kita sebut chunking.
Kemudian model AI khusus mengambil setiap potongan > > dan mengubahnya menjadi daftar panjang angka. > > Daftar angka itu adalah vektor yang embedding. > > Ini adalah representasi numerik dari makna teks itu. > > Tugas basis data vektor adalah menyimpan vektor tersebut secara efisien. > > Jadi semua ide serupa berkelompok.
Ya. Jika dua ide secara semantik mirip, vektor mereka secara matematis dekat dalam ruang Highdimensional ini. > > Jadi ketika Anda mengajukan pertanyaan, > > Anda pertanyaan juga akan berubah menjadi vektor, vektor query Anda. > > Oke. Basis data kemudian menggunakan algoritma khusus seperti perkiraan tetangga terdekat > sebuah & m metode pencarian efisien > untuk cepat menemukan vektor yang paling dekat dengan Anda pertanyaan > > berarti ia menemukan potongan teks yang berarti mirip dengan permintaan Anda > dan ia melakukan ini sangat cepat bahkan dengan miliaran dokumen.
Itulah sebabnya kita menyebutnya semantik pencarian. > > Hal ini mencari dengan makna bukan hanya kata kunci > > dan basis data vektor adalah mesin yang memungkinkan itu. > > > Ini adalah mesin tetapi juga lapisan operasional. Jadi, seperti yang Anda lihat, Anda dapat sepenuhnya membimbing percakapan dengan melompat masuk Dan Anda dapat terus melompat seperti itu dan mengarahkan ke arah yang berbeda seperti yang Anda pergi. Ini
cukup menakjubkan bagaimana bisa hanya mengambil giliran seperti itu dan masih merespon dengan cara yang benar-benar terdengar alami. Ini benar-benar pukulan pikiran saya. Tapi berikutnya, setelah tinjauan audio adalah gambaran video. Sekali lagi, Anda dapat menyesuaikan ini jika Anda mau. Aku hanya akan menghasilkan sebagai. Aku akan kembali ke yang satu itu sejak
butuh waktu. Kita akan beralih ke peta pikiran. Hal ini dapat sangat membantu untuk memvisualisasikan bagaimana konsep-konsep tertentu terhubung. Jadi membagi ini menjadi beberapa pilihan yang berbeda. Mari kita lihat komponen inti sebagai pengambilan, generasi, dan dasar pengetahuan. Lalu
anda dapat menyelam lebih dalam di mana saja Anda inginkan. Kemudian kita dapat menutup yang satu kembali dan melihat keuntungan. Peningkatan akurasi dan keandalannya. Reduces halusinasi. Menggunakan informasi up- to-date. Buat beragam spesifik
bahasa faktual. Ada banyak cara untuk menjelajah di sini. Hal ini terutama berguna untuk memahami hubungan antara komponen yang berbeda atau untuk hanya mendapatkan pandangan mata burung dari topik yang kompleks. Ini akan lebih atau kurang membantu tergantung pada topik apa yang Anda cari. Yang berikutnya adalah laporan. Di bawah yang Anda miliki
briefing doc, panduan belajar, posting blog, atau Anda dapat membuat Anda sendiri. Merangkak laporan cara Anda dengan menetapkan struktur, gaya, nada, dan lebih. Ini bahkan menghasilkan beberapa contoh kustom laporan ide berdasarkan sumber Anda. Dan saran ini biasanya cukup solid. melakukan laporan teknis jika kita ingin pergi super dalam. Sebuah artikel penjelasan
untuk hanya belajar fundamental. Konsep overview. Aku akan melakukan yang satu itu hanya sehingga Anda bisa mendapatkan ide dari apa ini tidak. Sebuah panduan belajar adalah salah satu yang benar-benar membantu banyak waktu. Jadi, aku punya salah satu dari mereka default dan yang custom menghasilkan. Buku panduan belajar dilakukan
pertama, jadi kita akan melihat itu. Kami memiliki kuis dengan jawaban pertanyaan singkat, beberapa pertanyaan esai, maka kunci jawaban di bawah itu. Kemudian turun lebih lanjut, kita memiliki istilah mengkilap kunci. Dan ini semua terlihat benar-benar menyeluruh. Ini adalah sumber daya belajar yang luar biasa. Dan di sini
kami punya laporan. Ini laporan yang sangat mendalam berdasarkan 17 sumber yang kami unggah. Jadi Anda dapat melihat ada berton-ton cara yang berbeda Anda bisa menggunakan laporan-laporan ini. Kemudian berikutnya kita punya flashcard. Maksudku ini cukup jelas, tapi kami akan menghasilkan beberapa sehingga Anda dapat melihat apa yang mereka terlihat seperti. Apa yang diperoleh ditambah
generasi? Dan Anda dapat klik di sini untuk melihat jawabannya. Itu definisi pendek yang bagus di sana. Kemudian Anda dapat klik menjelaskan di sini jika Anda perlu memahami lebih lanjut. Pops Anda langsung ke obrolan. Dan kembali ke ini
kartu flash. Kita punya sekitar 67 kartu. Jadi, ini sangat membantu jika Anda belajar untuk sesuatu atau jika Anda hanya ingin mempertahankan informasi tentang sesuatu yang Anda pelajari. Dan di sini, kami juga memiliki kuis. Satu lagi yang menjelaskan diri. Aku akan pergi ke depan dan
menghasilkan itu sehingga Anda dapat melihatnya. Dan seperti di atas, Anda juga dapat menyesuaikan kartu kilas jari dan kuis jika Anda mau. Kami punya 12 pertanyaan kuis di sini. Itu pilihan ganda. Jika Anda terjebak, Anda dapat klik petunjuk di sini.
Sepertinya cukup baik-dibuat pertanyaan di sini, dan memberikan umpan balik langsung. Mari kita coba salah paham. Ini dia. Jadi dikatakan tidak cukup dan kemudian menunjukkan jawaban yang benar. Dan sekali lagi, muncul dengan menjelaskan ketika Anda mendapatkan jawaban yang salah di sini. Sekarang, kembali ke utama
halaman studio di sini. Videonya sudah selesai. Mari kita lihat ini. > > Baiklah, mari kita bicara tentang salah satu hal terbesar yang terjadi di AI sekarang. Retrieval augmented generation, or as everyone call it, RAG. Anda dapat jenis
memikirkannya sebagai saus rahasia yang membuat AI tidak hanya pintar, tapi sebenarnya akurat dan jauh lebih berguna. Jadi model bahasa yang besar, LLM, luar biasa. Mereka bisa menulis kode. Mereka bisa membuat puisi, menjelaskan fisika kuantum. Sungguh menakjubkan.
Tapi > > baik-baik saja, sehingga Anda dapat melihat itu memiliki suara yang bagus akan lebih dari menjelaskan semua slide ini. Aku tidak akan membuat Anda menonton semua ini. Mari kita melompat ke depan dan melihat beberapa slide. Sepertinya menggunakan jenis informasi yang sama dari podcast di sini. Jadi memang memiliki beberapa benar-benar tampan slide. Ini pada dasarnya seperti otomatis
versi PowerPoint yang otomatis menghasilkan presentasi berbicara bersama dengan itu, juga. > > Pertama, indeks. Anda mengambil semua dokumen Anda, memecah mereka menjadi potongan-potongan berukuran lebih kecil, dan mengaturnya menjadi perpustakaan yang dapat dicari khusus. > > Jadi, ini tidak akan memenangkan penghargaan desain apapun, tetapi untuk otomatis dihasilkan konten pendidikan, ini cukup solid. Tapi ini adalah fitur dalam bagian ini yang saya gunakan paling sedikit. It 's cool
bisa melakukannya, tapi itu cara yang benar-benar lambat mondar-mandir dan membosankan untuk mengambil dalam informasi bagi saya. Tapi sungguh, itu kombinasi dari semua hal ini yang membuat Notebook LM begitu kuat untuk belajar. Melihat pengetahuan Anda dalam semua bentuk yang berbeda sangat berharga untuk menahan dan pemahaman yang lebih dalam. Anda dapat menanyakan semua pertanyaan Anda dalam percakapan, membuat peta pikiran untuk memvisualisasikan hubungan, belajar dengan kartu kilas, mendengarkan podcast pada drive, bahkan memanggil podcast itu untuk mengajukan pertanyaan, kemudian kuis diri sendiri ketika Anda pulang. Hal ini sejujurnya salah satu alat AI utama yang saya rekomendasikan untuk hampir semua orang karena hal ini pada dasarnya mengubah bagaimana Anda belajar dan mempertahankan informasi. Sekarang, aku akan cepat pergi
fitur pro untuk siapa saja yang ingin tahu tentang tingkat berikutnya. Jika Anda ingat, versi gratis sudah memberi Anda 50 sumber per notebook. Notebook LM Plus yang dibayar berlangganan benjolan ini hingga 300 sumber. Itu memberimu kapasitas 150 juta kata yang aku sebutkan sebelumnya. Tapi sekarang, tip pro yang dapat Anda gunakan jika Anda mencapai batas 50 sumber, namun belum mencapai batas 500,000kata Anda pada setiap berkas, hanya menggabungkan beberapa dokumen ke dalam satu berkas sumber. Banyak kali Anda dapat
gabungan 10 atau lebih sumber pendek ke dalam satu berkas dan masih belum mencapai batas jumlah kata. Dengan melakukan itu, saya pribadi tidak pernah menggunakan kasus di mana kapasitas tingkat bebas tidak cukup. Di Pro, Anda juga mendapat peningkatan besar pada batas sehari-hari seperti lima kali lebih banyak pemantauan audio, video overviews, laporan, kuis, dan flashcard. Aku tidak pernah mencapai batas-batas itu sendiri, jadi mereka benar-benar untuk pengguna harian yang berlebihan. Ada juga beberapa fitur canggih untuk berbagi dan kerja tim. Untuk berbagi lebih lanjut, Anda bisa
memberikan akses orang lain ke seluruh buku catatan atau mengaturnya untuk chatting hanya akses sehingga mereka dapat query dokumen Anda tanpa mengedit apapun. Seperti bagaimana kau berbagi Google Docs. Lalu untuk analisis notebook, Anda dapat melihat data tentang berapa banyak pengguna yang mengakses buku catatan Anda per hari dan berapa banyak pertanyaan yang mereka buat. Ini bagus jika Anda menggunakannya untuk mengajar kelas atau mengelola tim proyek kecil. So, while these pro features are available and they are automatically included if you subscribe to the bigger Google AI Pro or Google AI Ultra plans, realistically most individual userves won 't need them. Aku benar-benar punya bayaran
Google AI plans for tools like V3 and Gemini Pro, but I wasn 't even thinking about it when I signed up and I used a different email than the one I was already used for Notebook LM. Tapi jujur, aku bahkan tidak repot-repot untuk menukarnya karena aku tidak membutuhkan fitur-fitur yang dibayar. Itu sebabnya saya katakan untuk kebanyakan orang rencana gratis lebih dari cukup. Dan akhirnya, saya hanya ingin menyebutkan ada lebih banyak penggunaan kasus untuk Notebook LM daripada hanya belajar dan penelitian. Untuk bekerja, yang bisa meng-upload semua transkrip pertemuan Anda, semua SOP Anda atau pesaing penelitian. Atau
Aku punya buku catatan dengan semua naskah YouTube sebelumnya. Aku mengumpulkan mereka semua menjadi satu PDF raksasa jadi aku bisa kembali dan mencari hal-hal yang telah saya bicarakan sebelumnya atau, Anda tahu, apa sponsor itu dalam video tertentu. Itu sangat membantuku. Hal-hal spesifik YouTube lainnya, saya memiliki database format judul dengan frameworks dan templat. Saya dapat menggunakan tipe yang sama untuk kait untuk bentuk pendek atau intros. Beberapa
ide lain seperti untuk penggunaan pribadi, jika Anda jurnal, Anda bisa meng-upload semua jurnal Anda dan mendapatkan wawasan pada mereka. Atau Anda bisa meng-upload semua resep Anda dan mendapatkan kombinasi unik dari mereka atau untuk rencana makan berdasarkan favorit Anda. Atau satu lagi yang keren adalah memiliki seperti folder pemilik rumah atau folder dukungan teknologi di mana Anda mengunggah semua manual produk Anda ke teknologi Anda, mesin cuci piring Anda, mesin cuci, blender, hal-hal seperti itu. Kemudian Anda dapat meminta di
Watch on YouTube
Keyword: new AI tools