【必見】「NotebookLM」を200%活用する方法をお伝えします！

[@0mujian4]

NotebookLMのポテンシャルに改めて感銘を受けました！私のNotebookLMの主用途は資料ベースの家庭教師や英語リスニング教材などでしたが、今回紹介された用途はまさに目からウロコでした。
特に、「RUclips動画を3分毎に要約」という機能は、長時間の議事録要約にも有効だと感じ、会議参加のあり方そのものを変革する可能性を秘めていると感じました。例えば、会議中に思いつくが発言しにくい別視点も、後からNotebookLMを活用して整理・深掘りできるようになるかもしれません。
こーすけ先生の現場経験に基づいた実践的な解説に、NotebookLM活用のためのアイデアが次々と湧き上がってきています。このチャンネルを参考に、業務スキルアップを目指して精進していきたいです！

[@google-school]

コメントありがとうございます！また、お褒めの言葉もいただき、大変ありがたく思います。今後も皆さんにとって価値あるチャンネルとなれるよう精進させていただきます。
NotebookLMはホントにポテンシャルがとんでもないです。逆にこの子は何ができないんだろうと思いながら、プロンプトを試行錯誤しています。
なお、RUclips動画の3分毎要約は私も結構好きなプロンプトではありますが、あまりに長編動画であった場合にはソースの取り込みでエラーとなることがあります。
そういった際は、RUclips動画のダウンロード→音声抽出とし、音声データとして取り込むと、わりと長いものであっても取り込みが可能です（3時間は検証済）。ご参考になればと思います！

[@0mujian4]

@@google-school 追加の役立つ情報までいただき感激です。大変ありがとうございます!
これからもこーすけ先生のチャンネルで実務直結のAI活用を勉強させていただきます。

[@ああ-e1t5p]

RAGでは無いと思います😢

[@google-school]

コメントありがとうございます。
また誤解を生むような動画構成にしてしまい大変申し訳ございません。仰る通り、外部データソースを用いるわけではなく、ユーザーのアップしたソースを用いることからRAGと異なるのは事実です。
しかしながら、広義としては特定のドキュメントに特化した「ドキュメント中心のRAG」と捉えることができると考えております。
改めて、この度は誤解を生む表現、大変失礼いたしました。

[@ああ-e1t5p]

@@google-school
丁寧な説明をありがとうございます。
まず、「notebooklmはRAGではない」と私が言ったのは、「ユーザーがアップロードしたソースを使っているから」という意味ではありません。本来のRAG（Retrieval-Augmented Generation）は、膨大なデータから必要な情報だけを検索して、それを回答に使う技術です。この点で、notebooklmとは仕組みが違うと考えています。
notebooklmの技術「Gemini」では、100万トークン以上の文書をそのままプロンプトに含めて処理できます。つまり、notebooklmは検索をせずに、文書を丸ごと使うスタイルです。この部分が、RAGの「必要な情報だけを引き出して使う」という方法と大きく違う点です。
広い意味で捉える見方もあるとは思いますが、RAGの元々の特徴を考えると、notebooklmはRAGとは別の技術と考えられます。

[@ああ-e1t5p]

@@google-school
ご丁寧な返信ありがとうございます。
まず、私が「notebooklmはRAGではない」と述べた意図について再度説明させてください。それは「ユーザーがアップロードしたソースを使っているからRAGではない」という意味ではありません。RAG（Retrieval-Augmented Generation）とは、膨大な情報源から必要な部分だけを検索して回答に組み込む技術であるため、notebooklmのアプローチとは異なるという趣旨です。
notebooklmのコア技術である「Gemini」では、200万トークン以上の情報をそのままプロンプトに送信できます。つまり、notebooklmは検索を使わずに、参照文書全体を直接プロンプトに含める形で処理しています。この点で、RAGの「検索を通して必要な情報のみを引き出す」というプロセスと根本的に異なります。
もちろん、広い意味でとらえる見方もあるかと思います。ただ、RAGの特徴を考慮すると、notebooklmの方法はRAGとは違うアプローチだと考えております。

[@google-school]

ご返信ありがとうございます。非常に生意気な発言とはなりますが、非常に興味深く拝読させていただきました。
仰る通り従来のRAGというのは、膨大なコーパスから関連する情報のみを検索し、その情報に基づいて回答を生成するという仕組みでした。
一方NotebookLMは、ユーザーがアップロードした文書を丸ごと読み込み、その内容に基づいて回答を生成する仕組みをとっており、情報検索の有無という点でも異なっております。
ですが、近年、RAGの定義や適用範囲は広がりつつあり
・従来のRAG：検索によって外部知識を利用する手法
・広義のRAG：外部知識を利用して言語モデルの能力を拡張する手法全般
というのが私の認識です。
まだ私自身も学ぶことが多い身ですので、引き続き精進いたします。この度は貴重なご意見をありがとうございました！

[@ああ-e1t5p]

@@google-school
ご返信いただき、ありがとうございます。RAGについてのご見解、非常に参考になりました。
RAGを「外部知識を利用して言語モデルの能力を拡張する手法全般」として広く捉えられている方がいらっしゃるとは、正直驚きました。従来のRAGが持つ「検索によって関連情報を取得し、回答に活用する」という仕組みが基本だと考えておりましたので、幅広い視点での解釈を学ばせていただきました。
私もRAGやNotebookLMの可能性について、今後さらに理解を深めていきたいと考えています。貴重なご意見、誠にありがとうございました。