Transcription
Итак, вы добавили в закладки 50 статей, 20 твитов, 15 видео на YouTube и разбросали заметки по трем разным приложениям. Но когда вам действительно нужна эта информация, вы не можете ее найти. И вы определенно не можете понять, как все это связано. Вот проблему, которую решает Notebook LM. Это лучший обучающий инструмент, который я нашел для реального понимания и запоминания информации, а не просто для ее сбора. Самая большая проблема с инструментами ИИ, такими как ChachiPT, заключается в том, что они галлюцинируют. Они уверенно выдумывают вещи все время. Notebook LM решает и эту проблему. Он имеет чрезвычайно низкий уровень галлюцинаций, потому что работает только с вашими источниками. У него также есть одна из самых вирусных функций любого продукта ИИ, где вы можете создать увлекательный подкаст из своих блокнотов. Вы, вероятно, видели это, и это круто. Мы рассмотрим это. Но на платформе есть гораздо больше, чем это. Но давайте начнем с основ. Когда вы впервые открываете Notebook LM, вы можете создать новый блокнот. И все это на бесплатном плане. Кстати, есть платный план, но он совершенно не нужен большинству людей. Хотя он и поставляется с премиальным планом Google AI, если он у вас уже есть. После создания блокнота вы можете загружать все типы источников: PDF, текстовые файлы, аудиофайлы, ссылки на веб-сайты, видео на YouTube или брать напрямую из Google Drive. Каждый источник может содержать до 500 000 слов, и вы можете загрузить 50 источников на блокнот. Вы можете подумать, что это намного больше, чем ChateBT или любой другой инструмент ИИ, к которому вы привыкли, может обработать. И вы правы, это даже близко не так. Я объясню, как это возможно через секунду. Мне это кажется очень интересным. Но здесь я загрузил два PDF-файла, некоторые веб-сайты и два видео на YouTube от Saj с Skillap о Notebook LM. Он тот, кто фактически создал полный курс Notebook LM на нашей платформе курсов на Futuredia. Так что, конечно, его видео на YouTube тоже полны отличной информации. Но мне нужно больше источников, и я не хочу продолжать их искать. Поэтому у нас есть функция "обнаружить источники". Просто введите свою тему, и он найдет соответствующие источники. которые вы можете добавить. Просто просмотрите и снимите выделение с тех, которые вы не хотите добавлять. Затем нажмите "импортировать", и они будут добавлены прямо в ваши источники. Notebook LM сгенерировал резюме и заголовок. Вы можете подняться сюда, чтобы отрегулировать заголовок. Затем у вас есть этот интерфейс чата, где вы можете задавать вопросы. Но что отличает его, так это то, что он использует только ваши источники для ответа и точно указывает, где он нашел информацию, с кликабельными цитатами, которые ведут вас прямо к этому разделу. Так что это значительно снижает уровень галлюцинаций. А затем здесь, справа, вы можете просматривать свою информацию в различных форматах. Аудиообзор, который создает подкаст, видеообзор, ментальная карта, всевозможные отчеты, карточки, викторина. Все эти новые способы визуализации и лучшего понимания вашей информации. Затем, когда вы выйдете, все ваши блокноты будут сохранены здесь. Вы можете вернуться к ним, когда вам понадобится. Я углублюсь в каждую из этих функций с советами о том, как получить от них максимум пользы. Но сначала я хочу объяснить, как все это на самом деле работает и почему это может быть намного лучше, чем просто использовать Chat GBT или Claude. Я упомянул, что вы можете загрузить 50 источников по 500 000 слов каждый. Это 25 миллионов слов всего. В Chatbt вы можете загрузить около 96 000 слов. Таким образом, Notebook LM обрабатывает в 260 раз больше контента. Итак, как это вообще возможно? Это связано с разницей между базой знаний и контекстным окном. Контекстное окно — это фактическая рабочая память, используемая для генерации ответа. Notebook LM использует Google Gemini 2.5, который имеет одно из самых больших доступных контекстных окон. 1 миллион токенов, что составляет около 750 000 слов. У Chat GPT — всего 128 000 токенов. У Claude — 200 000. У Grock — 256 000. Теперь токены — это то, на что разбивается ввод. Общее эмпирическое правило заключается в том, что один токен равен примерно 75 словам. Так что 1 миллион токенов — это примерно 750 000 слов. Я хочу представить эти цифры в перспективе, используя Гарри Поттера. С ChachiBT 96 000 слов — это примерно "Гарри Поттер и философский камень" с небольшим запасом. Теперь с контекстным окном Gemini в 750 000 слов это первые пять книг о Гарри Поттере. Затем для базы знаний Notebook LM, 25 миллионов слов, это 23 полных серии "Гарри Поттера". Все семь книг 23 раза. Итак, как мы переходим от этой рабочей памяти в 750 000 слов к 25 миллионам слов хранения? Вот где вступает RAG. Генерация с дополненным поиском. Notebook LM не запихивает все ваши документы в рабочую память одновременно. Вместо этого думайте об этом в двух частях. Контекстное окно в 1 миллион токенов — это рабочая память. База знаний в 25 миллионов слов — это долговременная память, хранящаяся в виде векторной базы данных. Как они работают, тоже довольно интересно, но это отклонение для другого видео. Итак, вот что происходит, когда вы задаете вопрос. Шаг первый: вы спрашиваете что-то вроде: "Каковы основные риски в моих финансовых отчетах?" Шаг второй: Notebook LM ищет в своем полном индексе документов фрагменты текста, наиболее соответствующие вашему вопросу. Шаг третий: он загружает только эти конкретные разделы в свою рабочую память вместе с вашим вопросом и историей чата. И шаг четвертый: Gemini генерирует ваш ответ, используя только эту сфокусированную релевантную информацию. Существуют и другие RAG-инструменты, но Notebook LM уникален тем, что требует цитирования для каждого ответа. Вы можете перейти к точному месту в исходном документе. Вот почему у него такие низкие показатели галлюцинаций. Он не выдумывает и не берет информацию из интернета. Он работает с вашими документами, находя точные правильные отрывки для ответа на ваш вопрос. И эта емкость в 25 миллионов слов приходится на каждый созданный вами блокнот. И вы можете иметь 100 блокнотов на бесплатном плане. Это означает, что вы можете загрузить всю базу знаний вашей компании, все стенограммы совещаний за прошлый год или все ваши исследовательские работы для вашей докторской степени. Тогда Notebook LM сможет реально понять и связать информацию между всем этим. Так что это было долгое объяснение, но я думал, что Rag был действительно интересным, когда я впервые узнал о нем. Но давайте вернемся к практическим вещам, что вы можете реально сделать с этой информацией. Если вы используете Notebook LM для исследований или создания контента и хотите глубже изучить возможности, я настоятельно рекомендую вам ознакомиться с этим бесплатным руководством от HubSpot. Оно называется "Руководство маркетолога по Google Gemini и Notebook LM". Это очень практическое руководство, которое показывает, как использовать Gemini и Notebook LM вместе для оптимизации всего вашего рабочего процесса создания контента. Оно выходит за рамки основ. Оно охватывает реальные маркетинговые сценарии использования, такие как конкурентный анализ, SEO-контентные брифы и переработка контента в различных форматах. Внутри вы найдете пошаговые рабочие процессы с реальными подсказками, которые вы можете использовать, например, как превратить один фрагмент контента в несколько форматов, используя анализ Notebook LM, плюс возможности генерации Gemini. Есть также целый раздел о расширенных функциях Notebook LM, некоторые из которых я освещаю в этом видео. Но моя любимая часть — это реальные маркетинговые сценарии. Они подробно описывают, как использовать эти инструменты для таких вещей, как создание контент-планов, анализ отзывов клиентов и даже создание публикаций в социальных сетях. Это очень действенно, и опять же, совершенно бесплатно для скачивания по ссылке в описании. Так что спасибо HubSpot за спонсорство этого видео и предоставление ценных ресурсов, таких как этот. На этой главной странице у меня есть все мои блокноты. Вы также можете переключиться на вид списка, как вам удобнее. Затем нажмите здесь, чтобы создать новый блокнот. Теперь я хочу глубже разобраться, как на самом деле работает Rag. У меня есть два PDF-файла с исследовательскими работами о Rag. Просто перетащите их сюда. Затем у меня есть два видео на YouTube по этой теме. Все, что вам нужно сделать, это вставить URL-адрес, и он получит полную стенограмму из этого видео. Я также нашел кучу хороших статей. Так что я просто вставляю каждую из них. Вы можете загружать несколько одновременно. Просто добавьте пробел между каждым из них. И этого уже достаточно, но я нажму "обнаружить источники", чтобы получить еще. Я просто введу "генерация с дополненным поиском" и отправлю. Я просто хочу проверить, откуда берется каждый из них. Я не очень хочу Википедию. Я пропущу Reddit. Это не совсем относится к тому, о чем я хочу спросить. А остальные выглядят как исследовательские работы. Так что я оставлю все это. Но теперь у меня уже есть это резюме здесь, посередине. И я могу задавать свои собственные вопросы или использовать их предложенные вопросы, которые на самом деле очень хороши в большинстве случаев. Так что я нажму на этот. Каковы основные преимущества и потенциальные недостатки использования Rag с LLM? Теперь у меня есть полностью обоснованный ответ. Rag предотвращает генерацию LLM фактически неверных или предвзятых ответов, известных как галлюцинации, гарантируя, что вывод основан на фактически извлеченных данных и доказательствах из внешних источников. И я могу навести курсор на цитату, чтобы прочитать ее здесь, или щелкнуть, чтобы увидеть ее в контексте. И вы можете продолжать общаться здесь. Но вот что-то действительно важное. Он не сохраняет историю вашего чата по умолчанию. Если вы уйдете, она исчезнет. Но если вам понравился ответ, вам нужно нажать "сохранить в заметку", чтобы сохранить его. Вы можете увидеть, что я сохранил его прямо здесь. И если вы получили очень подробный ответ в своем чате, вы можете даже преобразовать эту сохраненную заметку в источник. Еще одна отличная функция здесь — вы можете легко проверять и снимать флажки с источников. Это позволяет вам сосредоточиться на одном конкретном источнике или нескольких источниках с определенным углом. Это действительно полезно для сравнения точек зрения или углубленного изучения конкретных документов. Но скажем, я хочу понять векторные базы данных конкретно. У меня все снято, кроме пары источников, которые сосредоточены на этой теме. Теперь я могу спросить: "Как работают векторные базы данных?" и кратко изложить это в одном предложении. Специализированные хранилища данных, предназначенные для эффективного индексирования и извлечения векторных вложений, числовых представлений семантических данных. Я получаю сфокусированный ответ только из этих документов. Затем я могу снова включить их все, когда буду готов увидеть полную картину. И последнее замечание здесь: вы можете перейти в эти настройки и определить свой стиль разговора и длину ответа. Если я нажму "пользовательский стиль", у меня есть пример ответа на уровне студента PhD. Если вы новичок в теме, вы можете сказать что-то вроде: "На начальном уровне". Они также предложили: "Притворись ведущим ролевой игры". Или: "Помоги мне подготовиться к предстоящему совещанию правления". Или, возможно, вы используете его как фитнес-гида и трекера упражнений. Вы можете поставить ему свои цели: пробежать марафон менее чем за три часа или стать стройным. Возможно, вы загружаете юридические документы и хотите сказать: "Помоги мне избежать тюремного заключения за это преступление". Есть много способов настроить это. Я оставлю по умолчанию на данный момент. И у них также есть более длинные или короткие ответы. Так что эта настройка может быть очень полезной для конкретных случаев использования. И побочная заметка: Notebook LM также не обучается на ваших разговорах, и это отлично подходит для конфиденциальности. Так что это уже большой шаг вперед по сравнению с традиционными чат-моделями для многих приложений. Notebook LM подходит не для всего, но он намного лучше для конкретных вещей, таких как исследования, обучение и синтез знаний. Есть и другие очень креативные и упущенные способы его использования, которые я упомяну немного позже. До сих пор мы рассмотрели, как вы можете задавать вопросы и организовывать информацию, но раздел "студия" справа — это то, где все становится действительно интересным. Здесь вы можете углубиться, используя различные форматы, чтобы понять глубже и лучше запомнить знания. Давайте начнем с чрезвычайно вирусной функции — аудиообзора. Это превращает все ваши знания в реалистично звучащий подкаст с двумя ведущими ИИ. Я генерирую один и вернусь, когда он будет готов. Хорошо, давайте послушаем немного. >> Добро пожаловать обратно в глубокое погружение. Сегодня мы действительно копаемся в генерации с дополненным поиском. Вы, вероятно, знаете это как RAG. >> Да. >> Я думаю, есть отличный пример из источников, которые мы рассматривали, верно, о космосе. Если вы зададите довольно простой вопрос, например, у какой планеты больше всего лун? >> Ах да, классический вопрос для базового LLM, обученного, возможно, пару лет назад. Он просто использует свои внутренние обучающие данные. >> Так помнит то, чему научился тогда. >> Именно. Он, вероятно, уверенно скажет вам, что Юпитер с 88 лунами. >> потому что, ну, это был правильный ответ, когда он был обучен. >> Но сейчас это неправильно. >> Полностью неправильно сейчас. И он не скажет вам, почему он так думает. Нет источника, просто утверждение. >> Хорошо. Так теперь задайте тот же вопрос системе RAG. Что происходит иначе? >> Большая разница. Система RAG принимает ваш вопрос, но сначала она ищет информацию. Она извлекает свежую информацию из внешнего источника, возможно, из базы данных НАСА в реальном времени или чего-то подобного. >> Так она находит текущий счет. >> верно? Она находит последние данные, у Сатурна сейчас 146 лун, хотя это число постоянно меняется. Затем она берет этот извлеченный контекст, этот факт, и передает его LLM вместе с вашим первоначальным вопросом. >> Ах, так она заставляет LLM использовать новую информацию. >> именно. Это обосновывает ответ на проверяемых, актуальных внешних данных. >> Итак, я пропустил часть вступления, они всегда долго добираются до сути, и там много лишнего, что типично как для LLM, так и для подкастов. Так что, я думаю, они уловили атмосферу. Как только вы пройдете через это, это просто потрясающе. Я до сих пор в восторге от этой функции, хотя она существует уже давно. Особенно если вы уже прочитали часть этого и получили достойное понимание, это действительно укрепит обучение, и они будут использовать множество примеров и аналогий на протяжении всего подкаста. Так что вы получаете это в совершенно другом формате и с другой точки зрения. И если вы чувствуете, что слишком много лишнего, или они идут слишком глубоко, или недостаточно глубоко, есть способ с этим справиться. Перед генерацией вы можете нажать эту кнопку "редактировать", и у них есть некоторые параметры настройки. Есть "глубокое погружение", "кратко", "критика", "дебаты". Затем вы можете полностью настроить его, указав им, на чем конкретно сосредоточиться в эпизоде. Так что я определенно рекомендую делать это практически каждый раз, когда вы генерируете один из них. Другой вариант настройки — это интерактивный режим. Это позволяет вам присоединиться к разговору. Так что я нажму "интерактивный режим", затем запущу его, а затем я вступлю. >> Добро пожаловать обратно в глубокое погружение. Сегодня мы действительно копаемся в генерации с дополненным поиском. >> О, подождите. Кто-то хочет присоединиться. Эй, давай. Можешь объяснить простыми словами, как работают векторные базы данных? >> О, это отличный вопрос. >> Это основной компонент Rag. >> и мы абсолютно можем разбить это просто. >> Итак, давайте разберем это. >> Думайте о векторной базе данных меньше как о традиционной базе данных. >> Знаете, с строками и столбцами. >> Именно. Вместо этого думайте о ней как о действительно специализированной адресной книге для идей. >> Адресная книга для смысла. >> Именно. Сначала мы берем все документы вашей компании, верно? >> Все PDF-файлы, руководства и т. д. >> И мы разбиваем их на более мелкие разделы или фрагменты. Это та часть, которую мы называем чанкингом. >> Затем специальная модель ИИ берет каждый фрагмент >> и превращает его в длинный список чисел. >> Этот список чисел — это векторное вложение. >> Это числовое представление смысла этого текста. >> Задача векторной базы данных — эффективно хранить эти векторы. >> Так что все похожие идеи сгруппированы вместе. >> Да. Если две идеи семантически похожи, их векторы математически близки в этом многомерном пространстве. >> Так что, когда вы задаете вопрос, >> ваш вопрос также превращается в вектор, ваш запрос-вектор. >> Хорошо. Затем база данных использует специальные алгоритмы, такие как приближенные ближайшие соседи. >> и эффективный метод поиска. >> чтобы быстро найти векторы, которые ближе всего к вектору вашего вопроса. >> что означает, что он находит фрагменты текста, смысл которых похож на ваш запрос. >> и он делает это невероятно быстро, даже с миллиардами документов. >> Вот почему мы называем это семантическим поиском. >> Он ищет по смыслу, а не только по ключевым словам. >> и векторная база данных — это движок, который это обеспечивает. >> Это движок, но это также операционный уровень. Так что, как вы видите, вы можете полностью управлять разговором, вмешиваясь. И вы можете продолжать вмешиваться таким образом и направлять его в разные стороны по ходу дела. Довольно удивительно, как он может просто сделать такой поворот и все равно ответить таким естественным образом. Это, честно говоря, сносит мне крышу. Но дальше, после аудиообзора, идет видеообзор. Опять же, вы можете настроить его, если хотите. Я просто сгенерирую его как есть. Я вернусь к этому позже, так как это занимает много времени. Перейдем к ментальной карте. Это может быть очень полезно для визуализации того, как определенные концепции связаны. Так что он разделяет это на несколько разных вариантов. Давайте посмотрим на основные компоненты: поиск, генерация и база знаний. Затем вы можете углубиться в любое место, где захотите. Затем мы можем закрыть это и посмотреть на преимущества. Улучшенная точность и надежность. Снижает галлюцинации. Использует актуальную информацию. Генерирует конкретный разнообразный фактический язык. Здесь просто много способов исследовать. Это особенно полезно для понимания взаимосвязей между различными компонентами или просто для получения общего представления о сложных темах. Это будет более или менее полезно в зависимости от темы, которую вы изучаете. Следующее здесь — отчеты. Под этим у вас есть документ с брифингом, руководство по обучению, пост в блоге, или вы можете создать свой собственный. Создайте отчет по своему усмотрению, указав структуру, стиль, тон и многое другое. Он даже генерирует некоторые примеры пользовательских идей для отчетов на основе ваших источников. И эти предложения обычно довольно солидны. сделать технический отчет, если мы хотим углубиться. Объяснительная статья, чтобы просто изучить основы. Обзор концепции. Я сделаю это, чтобы вы могли получить представление о том, что это делает. Руководство по обучению — это то, что очень полезно во многих случаях. Итак, у меня есть один из их стандартных и один пользовательский в процессе генерации. Руководство по обучению было сделано первым, так что давайте посмотрим на него. У нас есть викторина с короткими ответами, несколько эссе, затем ключ к ответам ниже. Затем дальше у нас есть глоссарий ключевых терминов. И все это выглядит очень тщательно. Это потрясающий обучающий ресурс. И здесь у нас отчет. Это очень подробный отчет, основанный на 17 источниках, которые мы загрузили. Так что вы можете видеть, что есть тонны различных способов использования этих отчетов. Затем дальше у нас есть карточки. Я имею в виду, это довольно самоочевидно, но мы сгенерируем некоторые, чтобы вы могли увидеть, как они выглядят. Что такое генерация с дополненным поиском? И вы можете нажать здесь, чтобы увидеть ответ. У него есть хорошее короткое определение. Затем вы можете нажать "объяснить" здесь, если вам нужно понять это дальше. Это перебрасывает вас прямо в чат. И обратно к этим карточкам. У нас есть, похоже, 67 карточек всего. Так что это очень, очень полезно, если вы готовитесь к чему-то или просто хотите запомнить информацию о чем-то, что вы изучаете. И ниже у нас также есть викторина. Еще одна, которая самоочевидна. Я сгенерирую ее, чтобы вы могли увидеть. И так же, как и выше, вы также можете настроить карточки и викторину, если хотите. У нас есть викторина из 12 вопросов. Это множественный выбор. Если вы застряли, вы можете нажать "подсказка" здесь. Выглядит как довольно хорошо составленный вопрос, и он дает вам немедленную обратную связь. Давайте попробуем ответить неправильно. Вот так. Так что он говорит "не совсем" и затем показывает вам правильный ответ. И снова, он появляется с "объяснить", когда вы получаете неправильный ответ здесь. Теперь, вернувшись на главную страницу студии. Видеообзор готов. Давайте посмотрим на это. >> Хорошо, давайте поговорим об одной из самых важных вещей, происходящих в ИИ прямо сейчас. Генерация с дополненным поиском, или, как ее все называют, RAG. Вы можете думать об этом как о секретном соусе, который делает ИИ не просто умным, а на самом деле точным и намного более полезным. Итак, вы знаете, большие языковые модели, LLM, просто невероятны. Они могут писать код. Они могут сочинять стихи, объяснять квантовую физику. Это удивительно. Но >> хорошо, так что вы можете видеть, что у него приятный голос, объясняющий все эти слайды. Я не буду заставлять вас смотреть это целиком. Давайте просто пропустим вперед и посмотрим на некоторые слайды. Похоже, он использует тот же тип информации, что и в подкасте. Так что у него есть действительно хорошо выглядящие слайды. Это, по сути, автоматизированная версия PowerPoint, которая автоматически генерирует презентацию, говоря при этом. >> Во-первых, индексация. Вы берете все свои документы, разбиваете их на более мелкие части и организуете их в специальную библиотеку для поиска. >> Так что это не выиграет никаких дизайнерских наград, но для автоматически сгенерированного образовательного контента это довольно солидно. Но это функция в этом разделе, которую я использую меньше всего. Круто, что он может это делать, но для меня это очень медленный и скучный способ усвоения информации. Но на самом деле, именно комбинация всего этого делает Notebook LM таким мощным для обучения. Видеть свои знания во всех этих различных формах чрезвычайно ценно для запоминания и более глубокого понимания. Вы можете задавать все свои вопросы в чате, генерировать ментальную карту для визуализации взаимосвязей, учиться с помощью карточек, слушать подкаст в дороге, даже звонить в этот подкаст, чтобы задавать вопросы, а затем проверять себя, когда вернетесь домой. Это, честно говоря, один из основных инструментов ИИ, который я рекомендую практически всем, потому что он фундаментально меняет то, как вы учитесь и запоминаете информацию. Теперь я быстро расскажу о профессиональных функциях для тех, кто интересуется следующим уровнем. Если вы помните, бесплатная версия уже дает вам 50 источников на блокнот. Платная подписка Notebook LM Plus увеличивает это до 300 источников. Это дает вам огромную емкость в 150 миллионов слов, которую я упоминал ранее. Но теперь, профессиональный совет: вы можете использовать, если вы достигли лимита в 50 источников, но не исчерпали лимит в 500 000 слов на каждый файл, просто объедините несколько документов в один исходный файл. Часто вы можете объединить 10 или более коротких источников в один файл и все равно не достигнуть лимита по количеству слов. Сделав это, я лично никогда не сталкивался со случаем, когда емкости бесплатного уровня было недостаточно. На Pro вы также получаете большие увеличения ежедневных лимитов, например, в пять раз больше аудиообзоров, видеообзоров, отчетов, викторин и карточек. Я сам никогда не достигал этих лимитов, так что они действительно для тех, кто интенсивно использует их ежедневно. Есть также пара расширенных функций для обмена и совместной работы. Для расширенного обмена вы можете предоставить другим доступ к целому блокноту или установить доступ только для чата, чтобы они могли запрашивать ваши документы, ничего не редактируя. Похоже на то, как вы делитесь Google Docs. Затем для аналитики блокнотов вы можете просматривать данные о том, сколько пользователей получили доступ к вашему блокноту в день и сколько запросов они сделали. Это отлично подходит, если вы используете его для преподавания класса или управления небольшой проектной командой. Так что, хотя эти профессиональные функции доступны и автоматически включены, если вы подпишетесь на более крупные планы Google AI Pro или Google AI Ultra, на самом деле большинству индивидуальных пользователей они не понадобятся. У меня действительно есть платный план Google AI для таких инструментов, как V3 и Gemini Pro, но я даже не думал об этом, когда регистрировался, и использовал другой адрес электронной почты, отличный от того, который я уже использовал для Notebook LM. Но, честно говоря, я даже не удосужился переключить его, потому что мне не понадобились никакие из этих платных функций. Вот почему я говорю, что для большинства людей бесплатного плана более чем достаточно. И, наконец, я хочу упомянуть, что существует гораздо больше сценариев использования Notebook LM, чем просто обучение и исследования. Для работы это может быть загрузка всех ваших стенограмм совещаний, всех ваших СОП или исследований конкурентов. Или у меня есть блокнот со всеми моими предыдущими сценариями для YouTube. Я скомпилировал их все в один гигантский PDF, чтобы я мог вернуться и найти то, о чем я говорил раньше, или, знаете ли, какой спонсор был в конкретном видео. Это было очень полезно для меня. Другие вещи, специфичные для YouTube: у меня есть база данных форматов заголовков с фреймворками и шаблонами. Я могу использовать похожую вещь для хуков для короткой формы или интро. Некоторые другие идеи, например, для личного использования: если вы ведете дневник, вы можете загрузить все свои дневники и получить о них представление. Или вы можете загрузить все свои рецепты и получить уникальные комбинации из них или спланировать питание на основе ваших любимых. Или еще один крутой вариант — иметь папку "для домовладельцев" или папку "техническая поддержка", куда вы загружаете все руководства к своим приборам: посудомоечной машине, стиральной машине, блендеру и тому подобное. Затем вы можете спросить там в любое время, когда что-то пойдет не так, и он будет ссылаться на ответы из этих руководств пользователя. Или это может быть финансовый коуч, анализ юридических документов, планировщик путешествий, фитнес-трекер. Есть тонны и тонны возможностей. Я использую многие из них. Я на самом деле работаю над отдельным видео, демонстрирующим более недооцененные и упущенные сценарии использования. Так что обязательно подпишитесь на него. И если вы хотите глубже изучить ИИ, мы создали полную платформу курсов на Futureedia с более чем 500 уроками по более чем 20 курсам ИИ. Вы найдете полные учебные пути по chat GPT, промпт-инжинирингу, автоматизации, пользовательским GPT, генерации видео, программированию с ИИ, и у нас уже есть один по notebook LM, и другие продукты Google, такие как недавно выпущенный нами по Nano Banana. И есть еще много чего. Все это включено в одну подписку. Вы можете получить 7-дневную бесплатную пробную версию, используя ссылку в описании. Или, если вы хотите узнать больше о бесплатных инструментах Google AI, посмотрите это видео.