NotebookLM Plusを確認👇 リソースとノートブック数が 5 倍に 他のユーザーとのノートブックの共有で「チャットのみ」が選択可能 応答スタイルを選択したり出力の長さを選択可能 共有したノートブックを分析して、何人のユーザーがアクセスしたか、過去 1 週間で何件クエリが実行されたか確認可能

『僕が若い人たちに伝えたい 2035年最強の働き方』の原稿をGoogleのNotebookLM Plusに入れて、音声要約する機能。 二人のパーソナリティーが掛け合いをするラジオ風になってるけど、かなり自然。 これが、ボタン一発で出来る時代。。。

【NotebookLM無料版とPlus(有料版)の見分け方】 自分が使っているNotebookLMが無料版なのかPlusなのかが分かりづらいかもしれません。 ひとまずの見分け方としてソースを入力する際の画面が50なら無料版、300なら有料版です。 無料版とPlus版の主な違いは👇 #notebooklm

The Google AI Premium Plan now includes: 🎙️@NotebookLM Plus (NEW!) ✨ Gemini Advanced 📝 Gemini in @Gmail, Docs, & more 💾 2 TB of storage Students 18 and older in the US, you can get Google One AI Premium for $9.99/month (50% off)! Learn more ↓

🤔 「何でもRAG」ではない 生成AI活用の議論をしており、非常に多いのが「～をRAGで対応したい」という要望。 「自社データ利用＝RAG」という考え方と思いますが、実際にユースケースや要望を聞くと、「それはRAGじゃない方がよい/なくてもよい」というケースも非常に多い😅 いくつかのケースから「RAG要否の3つの判断基準」を整理しました！ 1️⃣ 元データの「網羅的な参照」が必要か？ 例：チェックリストなど → 網羅的な参照が必要場合、RAGは「データベースの一部を参照する」仕組みなので不適切。 → チェックリストの全パターンに対応したプロンプトを作る（場合により複数プロンプトに分ける）のがよい 2️⃣ 元データの量は「LLMで処理できる大きさ」か？ 例：ガイドラインの参照など → プロンプト内に全て配置できる量なら、In-context learning（プロンプト内）の方が精度が高い →ただし、コスト面でプロンプト量を減らしたい場合はRAGの検討もあり💭 3️⃣ 元データの「参照パターン数」は少ないか？ 例：タイプ別の提案書など → 10パターン以内など限定される場合、「パターン別のプロンプト」を用意し、人間が運用で使い分ける方が効率的で精度でることが多い（かつラク）。テンプレート機能を活用など → パターン数が今後ふえたり、人間では選べない場合は、ベクトル検索ではなく、判断＋パターン分け的なRAG的な仕組みも検討可📝 RAGは強力なツールですが、必ずしもベストな選択とは限りません。状況に応じて最適な「自社データ利用＝RAG」という方法を選ぶことが、効率的なAI活用の鍵となります！✨