Der zugrunde liegende Mechanismus, den eine Plattform verwendet, um die Wahrheit zu ermitteln, bestimmt ihre Sicherheit, Effizienz und ihren regulatorischen Standing. Wenn Sie einen Prognosemarkt aufbauen, ist die Entscheidung, wer oder was den Good Contract löst, die wichtigste technische Entscheidung, vor der Sie stehen.

Die Architektur der Wahrheit in Prognosemärkten

Ein schlecht gestaltetes Orakel erzeugt Manipulationsvektoren. Ein hyperdezentrales Orakel führt zu inakzeptablen Verzögerungen. Das Finden der genauen Stability entscheidet darüber, ob Ihr Projekt den Kontakt mit Unklarheiten in der realen Welt übersteht.

LegalBison bewertet die Oracle-Mechanik genau, bevor es den rechtlichen Fußabdruck eines Kunden strukturiert. Als Boutique-Rechts- und Unternehmensdienstleistungsunternehmen, das Kryptolizenzen und den Aufbau von Gaming-Unternehmen auf globalen Märkten anbietet, ist sich LegalBison bewusst, dass die technische Architektur die rechtliche Haftung vorschreibt.

Eine Plattform, auf der Betreiber Ergebnisse manuell auflösen, unterliegt völlig anderen Compliance-Verpflichtungen als eine Plattform, die vollständig durch autonome Good Contracts gesteuert wird.

Wir haben die drei vorherrschenden Auflösungsrahmen im gesamten Vorhersageökosystem geprüft, um ihre mechanischen und regulatorischen Kompromisse zu verstehen.

Was passiert, wenn Benutzer unterschiedlicher Meinung über den Ausgang eines komplexen geopolitischen Ereignisses sind? Wer besitzt die Schlüssel zu den hinterlegten Geldern? Wenn wir die von Augur, Polymarket und Manifold Markets verwendeten Systeme aufschlüsseln, sehen wir drei völlig unterschiedliche Philosophien für die Beilegung von Streitigkeiten in der Kette und außerhalb der Kette.

Augur und der REP-Token: Absolute Dezentralisierung

Augur betrachtet die Wahrheit als einen absoluten wirtschaftlichen Konsens. Das Protokoll fungiert als vertrauenswürdiges Netzwerk auf Ethereum und beseitigt jeden Single Level of Failure oder zentralisierte Entscheidungsfindung. Die Entwickler haben keine Möglichkeit, auf treuhänderische Gelder zuzugreifen, Märkte abzuwickeln oder Aufträge zu ändern (Peterson et al., 2015).

Dies schafft ein Umfeld, in dem die Wahrheit durch das finanzielle Gewicht der Gemeinschaft und nicht durch einen ernannten Richter entschieden wird.

Wenn ein Markt endet, übermittelt ein bestimmter Reporter das Ergebnis. Diese Particular person übt keine einseitige Macht aus. Die Neighborhood kann diesen ersten Bericht anfechten, indem sie den nativen Token der Plattform, REP, einsetzt (Peterson et al., 2015).

Kommt es zu Streitigkeiten, gerät das System in einen Einsatzkrieg. Benutzer setzen ihr Kapital in das Ergebnis ein, von dem sie glauben, dass es mit der Realität übereinstimmt. Wenn der Konsens beweist, dass der ursprüngliche Berichterstatter Unrecht hat, verliert er seinen Anteil, der an die ehrlichen Berichterstatter umverteilt wird (Peterson et al., 2015).

Was passiert, wenn der Streit endlos eskaliert? Augur führt das Konzept einer „Gabel“ ein. Eine Abzweigung wird ausgelöst, wenn eine Streitanleihe einen massiven Schwellenwert erreicht, nämlich 2,5 Prozent aller im Umlauf befindlichen REP.

An diesem Punkt spaltet sich das gesamte Augur-Universum in mehrere Versionen auf, die den umstrittenen Ergebnissen entsprechen. Token-Inhaber müssen ihren alten REP gegen einen der neuen ergebnisspezifischen Token eintauschen. Die Model des Tokens, die das falsche Ergebnis darstellt, wird wertlos, weil die Teilnehmer die various Realität aufgeben.

Der Fork ist die nukleare Choice der intelligenten Vertragsauflösung. Es garantiert Genauigkeit durch gegenseitig zugesicherte Zerstörung, bringt den Betrieb jedoch für bis zu 60 Tage zum Erliegen (Peterson et al., 2015).

Aus beratender Sicht verändert diese starre Dezentralisierung das Regulierungsprofil. Wenn keine zentralisierte Instanz über die Entscheidungsbefugnis verfügt, fällt es den Regulierungsbehörden häufig schwer, die Haftung zuzuweisen. Die schiere Reibung einer 60-tägigen Lösungsverzögerung für umkämpfte Märkte macht dieses Modell für Hochfrequenz-Einzelhändler schwer zu verdauen.

Polymarket und das optimistische Orakel der UMA: Das Problem-Response-Modell

Polymarket wählt einen Mittelweg, bei dem die Geschwindigkeit im Vordergrund steht, ohne auf dezentrale Sicherheit zu verzichten. Polymarket arbeitet auf der Polygon-Blockchain und verknüpft sein Abwicklungssystem mit Optimistic Oracle von UMA. Der Begriff „optimistisch“ bezieht sich auf die Standardannahme, dass die eingereichte Antwort korrekt ist, es sei denn, jemand stellt sie innerhalb eines bestimmten Zeitfensters ausdrücklich in Frage.

Wenn ein Markt zu Ende geht, wird ein Vorschlag zum Ergebnis vorgelegt. Wenn innerhalb des Streitzeitfensters niemand den Vorschlag bestreitet, wird der Good Contract automatisch aufgelöst und die Gelder werden verteilt. Die meisten Märkte lösen sich friedlich und sofort auf. Kommt es jemals zu Unstimmigkeiten? Ja.

Wenn ein Benutzer eine falsche Lösung entdeckt, kann er eine Anfechtungsklage einreichen. Dieser Streit stoppt die automatische Lösung und leitet die Entscheidung an den UMA-Datenüberprüfungsmechanismus weiter. Die Token-Inhaber stimmen dann über das richtige Ergebnis ab. Die Seite, die mit der absoluten Mehrheit abstimmt, erhält eine Belohnung, die durch die gekürzte Anleihe der Verliererseite finanziert wird.

Dadurch entsteht ein hocheffizientes System, das Ressourcen nur für umstrittene Grenzfälle aufwendet. Aktuelle empirische Daten zeigen, dass Polymarket Millionen von Greenback an offenen Positionen unter komplexen Veranstaltungsbedingungen verarbeitet (Saguillo et al., 2025).

Um die Stabilität zu gewährleisten, verlässt sich Polymarket auf erschöpfende und sich gegenseitig ausschließende Bedingungen, obwohl leichte Unklarheiten in der Formulierung manchmal zu kurzen Arbitragebedingungen über verwandte Märkte hinweg führen können (Saguillo et al., 2025).

Der optimistische Ansatz bietet besondere Vorteile für Gründer, die eine Krypto-Lizenzgenehmigung oder eine Prognosemarktlizenz anstreben. Da das System auf einem externen dezentralen Orakel und nicht auf einem proprietären internen Staff basiert, vermeidet der Plattformbetreiber eine direkte Beteiligung an der Ergebnisbestimmung.

Diese Trennung schränkt die Kontrolle des Betreibers über die Gelder der Benutzer ein und vereinfacht die Einhaltung in Gerichtsbarkeiten mit strengen Verwahrungsgesetzen.

Vielfältige Märkte: Repute, Zentralisierung und die soziale Schicht

Manifold Markets gibt die schwere Maschinerie des Blockchain-Konsenses zugunsten eines vom Schöpfer geleiteten, auf Repute basierenden Techniques auf. Auf Manifold kann jeder einen Markt schaffen. Die Particular person, die den Markt schafft, trägt die alleinige Verantwortung für die Lösung des Issues. Wenn John fragt: „Wird es nächsten Dienstag in London regnen?“, ist John der alleinige Schiedsrichter darüber, ob der Markt mit JA oder NEIN endet.

Wie verhindert eine Plattform, dass Marktmacher einfach lügen, um Gelder zu stehlen? Manifold arbeitet in erster Linie mit einem Spielgeldsystem, das den wirtschaftlichen Anreiz für böswilliges Verhalten drastisch reduziert.

Darüber hinaus setzt die Plattform auf eine strikte Reputationsökonomie. Wenn ein Ersteller einen Markt auf unehrliche Weise abschließt, werden Nutzer niemals an seinen zukünftigen Märkten teilnehmen. Die soziale Schicht fungiert als eigentliches Orakel.

Für Plattformen, die mit echtem Kapital handeln, löst dieses zentralisierte Abwicklungsmodell eine intensive Prüfung aus. Der Betrieb eines Echtgeldmarktes, bei dem eine einzelne Particular person oder der Plattformbetreiber die Auszahlung manuell vorgibt, ist strukturell identisch mit einem herkömmlichen Sportwettenanbieter.

Dieses Modell erfordert vollständige Spielberechtigungen, wie z Malta-Glücksspiellizenz oder ein ähnlich robuster Regulierungsrahmen. LegalBison weist Kunden darauf hin, dass manuelle Lösungsmechanismen die dezentrale Verteidigung aufheben. Sie können nicht behaupten, ein neutraler Technologieanbieter zu sein, wenn Ihr Verwaltungs-Dashboard eine Schaltfläche enthält, die direkt entscheidet, wer eine Wette gewinnt.

Die Schlichtungsalternative: Delegierte Good-Contract-Justiz

Über diese drei Modelle hinaus experimentiert das breitere Blockchain- und Digital-Asset-Ökosystem mit dedizierten Schlichtungsnetzwerken wie Kleros. Kleros fungiert als dezentrales Gerichtssystem, auf das Good Contracts bei Streitigkeiten zurückgreifen können (Jovanović, 2023). Es basiert auf einem Token namens Pinakion, um Geschworene nach dem Zufallsprinzip auszuwählen (Jovanović, 2023).

Benutzer wählen selbst bestimmte Gerichte aus, beispielsweise ein E-Commerce-Gericht oder ein Finanzgericht, und setzen ihre Token ein (Jovanović, 2023). Das Protokoll zieht Geschworene auf der Grundlage der Menge der eingesetzten Token und schützt das System vor Sybil-Angriffen, bei denen eine Entität Tausende von gefälschten Identitäten erstellt (Jovanović, 2023).

Die Geschworenen prüfen die Beweise und stimmen ab. Die Spieltheorie gleicht ihre Anreize an: Wer mit dem Mehrheitskonsens abstimmt, erhält Schlichtungsgebühren, während Ausreißer einen Teil ihrer eingesetzten Token verlieren (Jovanović, 2023). Dieses delegierte Schlichtungsmodell ermöglicht es Plattformen, die Lösung an ein spezialisiertes Netzwerk auszulagern, anstatt ihre eigenen wirtschaftlichen Wahrheitsmaschinen von Grund auf aufzubauen.

Strukturieren Sie Ihre Vorhersageplattform für die reale Welt

Wir sehen, dass Projekte nicht deshalb scheitern, weil ihr Code schlecht ist, sondern weil ihre technische Architektur direkt ihrer rechtlichen Strategie widerspricht. Der von Ihnen gewählte Lösungsmechanismus bestimmt Ihre erforderlichen Compliance-Pfade.

Wenn Sie ein vollständig dezentrales Protokoll im Augur-Stil einsetzen, besteht Ihre größte Herausforderung darin, die Regulierungsbehörden davon zu überzeugen, dass Sie keine Börse betreiben. Wenn Sie das optimistische Modell von Polymarket übernehmen, hängt Ihr Fußabdruck zur Einhaltung gesetzlicher Vorschriften stark davon ab, wie Sie den Zugriff beschränken und mit der Schnittstelle umgehen.

Wenn Sie ein zentralisiertes Abwicklungssystem im Manifold-Stil mit echtem Kapital aufbauen, betreiben Sie einen regulierten Spiel- oder Finanzderivatplatz.

LegalBison strukturiert die betriebliche Realität von Fintech- und Gaming-Unternehmen passend zu ihren technischen Einsätzen. Wir bieten internationale Unternehmensstrukturierung und Leitlinien zur Einhaltung gesetzlicher Vorschriften, die genau auf die Mechanismen Ihrer Good Contracts abgestimmt sind.

Die Wahl zwischen externen Orakeln, tokengewichteter Abstimmung oder zentralisierter Verwaltungskontrolle verändert Ihr Risikoprofil vollständig. Das Verständnis dieser Unterschiede trennt die theoretischen Blockchain-Projekte von den Unternehmen, die tatsächlich den globalen Markteintritt überleben.

Abschluss

Prognosemärkte ersetzen zentralisierte Buchmacher durch verteilten Konsens. Augur setzt auf absolute wirtschaftliche Zerstörung durch Forks, um Ehrlichkeit durchzusetzen.

Polymarket verwendet ein optimistisches Problem-Response-System, um Geschwindigkeit und Sicherheit in Einklang zu bringen. Manifold stützt sich auf den Ruf des Menschen und die zentralisierte Lösung des Erstellers, um excessive Flexibilität zu gewährleisten. Das beste Modell hängt ganz von der Artwork des Risikokapitals und der Betriebsstruktur der Plattform ab.

Indem Sie Ihre Oracle-Mechanik mit einer fundierten Rechtsarchitektur abgleichen, bauen Sie ein System auf, das sowohl technisch belastbar als auch kommerziell realisierbar ist. Besuchen Sie LegalBison, um fachkundige regulatorische Beratung zum Starten Ihrer Web3-Anwendung zu erhalten.

Referenzen

Jovanović, S. (2023). Schiedsgerichtsbarkeit bei Good Contracts-Streitigkeiten – Ein Blick in die Zukunft. Anali Pravnog fakulteta u Beogradu, 71757-784.

Peterson, J., Krug, J., Zoltu, M., Williams, AK und Alexander, S. (2015). Augur: eine dezentrale Orakel- und Prognosemarktplattform. arXiv.

Saguillo, O., Ghafouri, V., Kiffer, L. und Suarez-Tangil, G. (2025). Den probabilistischen Wald enträtseln: Arbitrage in Prognosemärkten. arXiv.

Bild vom Autor

# Einführung

Heben Sie Ihre Hand, wenn Sie während eines technischen Interviews jemals erstarrt sind, als der Interviewer Sie fragte: „Erläutern Sie mir Ihren Ansatz.“ Die meisten Kandidaten lesen die Frage, springen direkt in den Code und hoffen, dass das Muskelgedächtnis einsetzt.

Was wäre, wenn Sie eine Interviewfrage in ein KI-Software hochladen könnten und eine Podcast-Erklärung Ihres Codes, eine visuelle Mindmap, Lernkarten und ein Quiz erhalten könnten? Nun, das kannst du mit NotebookLM.

In diesem Artikel lösen wir zunächst selbst Metas „Empfehlungssystem“-Interviewfrage und nutzen dann die sechs Funktionen von NotebookLM, um sie intelligenter und nicht schwieriger zu verstehen und daraus zu lernen.

# Lernen Sie NotebookLM kennen: Googles KI-gestützten Lernassistenten

NotebookLM ist Googles KI-Lernassistent. Es verändert die Artwork und Weise, wie wir aus Daten lernen, indem es mehrere KI-gestützte Funktionen kombiniert, die den Prozess interaktiver und anpassungsfähiger machen.

Dies geschieht, indem Ihre Dokumente, Bücher oder andere Materialien in interaktive Lernwerkzeuge umgewandelt werden. Genauer gesagt verwandelt es Ihre Materialien in Konversationen, visuelle Karten und Quizfragen und erspart stundenlanges manuelles Durchsehen, wodurch komplexe Themen leichter verständlich werden.

Dies hilft Ihnen, Wissen schneller zu verstehen und zu behalten. Kurz gesagt, NotebookLM hilft Ihnen, intelligenter und nicht härter zu lernen.

Lassen Sie uns nun die Meta-Interviewfrage lösen und dann untersuchen, wie NotebookLM uns dabei helfen kann, aus demselben Code zu lernen.

# Die Herausforderung: Metas „Empfehlungssystem“-Interviewfrage

Empfehlungssystem
Sie erhalten die Liste der Fb-Freunde und die Liste der Fb-Seiten, denen Benutzer folgen. Ihre Aufgabe ist es, ein neues Empfehlungssystem für Fb zu erstellen. Suchen Sie für jeden Fb-Benutzer nach Seiten, denen dieser Benutzer nicht folgt, aber mindestens einer seiner Freunde. Geben Sie die Benutzer-ID und die ID der Seite aus, die diesem Benutzer empfohlen werden soll.

Die Frage ist verfügbar unter StrataScratch. In dieser Frage hat Meta uns gebeten, ein Empfehlungssystem zu entwickeln, das Fb-Seiten vorschlägt, denen ein Benutzer noch nicht folgt, aber mindestens einer seiner Freunde.

// Die Daten hinter dem Downside verstehen

Wir haben zwei verschiedene Datensätze, user_friends Und user_pages.

Das erste zeigt die sozialen Verbindungen jedes Benutzers (wer ist mit wem befreundet), während user_pages listet auf, welchen Seiten jeder Benutzer bereits folgt.

Gemeinsam helfen sie uns, neue Seitenempfehlungen zu finden, die auf den Aktivitäten gemeinsamer Freunde basieren.

Sehen wir uns eine Vorschau an user_friends Datensatz zuerst.

Sehen wir uns jetzt den zweiten Datensatz in der Vorschau an. user_pages:

// Schritt-für-Schritt-Lösung: Aufbau der Empfehlungsmaschine

Ziel ist es, Fb-Seiten zu empfehlen, denen ein Nutzer noch nicht gefolgt ist, denen aber bereits mindestens einer seiner Freunde folgt.

Zuerst verbinden wir jeden Benutzer mit den Seiten, denen seine Freunde folgen. Dies hilft uns zu sehen, welche Seiten vom Netzwerk des Benutzers verfolgt werden und welche potenziellen Empfehlungen es gibt.

friends_pages = users_friends.merge(users_pages, left_on='friend_id', right_on='user_id')
friends_pages = friends_pages(('user_id_x', 'page_id'))

Jetzt müssen wir Seiten ausschließen, denen Benutzer bereits folgen. Wir tun dies, indem wir erneut mit dem Unique verschmelzen users_pages Tabelle und behält nur die Seiten bei, die noch nicht in der Liste des Benutzers sind.

comparability = friends_pages.merge(
    users_pages,
    how='left',
    left_on=('user_id_x', 'page_id'),
    right_on=('user_id', 'page_id')
)
end result = comparability(comparability('user_id').isna())(('user_id_x', 'page_id'))

Abschließend entfernen wir alle Duplikate, um zu vermeiden, dass dieselbe Seite mehrmals empfohlen wird, und benennen die Spalte aus Gründen der Übersichtlichkeit um.

end result = end result.drop_duplicates()
end result = end result.rename(columns={'user_id_x': 'user_id'})

Hier sind die ersten Zeilen der erwarteten Ausgabe.

Bisher haben wir uns auf traditionelle Techniken verlassen: alles selbst kodieren, zusammenführen und interpretieren.

Mit NotebookLM von Google können wir den Lernprozess nun noch einen Schritt weiter vorantreiben.

# Vom Lösen zum Lernen: Betreten Sie NotebookLM

In diesem Abschnitt zeigen wir, wie Sie NotebookLM mit den Particulars der Meta-Interviewfrage versorgen und erkunden dann die sechs interaktiven Funktionen, die Ihnen helfen, intelligenter zu lernen.

// Schritt 1: Erstellen Sie ein neues Notizbuch und fügen Sie Ihre Daten hinzu

Bevor NotebookLM uns helfen kann, müssen wir ihm Informationen zu unserer Interviewfrage zur Verfügung stellen. Dies beginnt mit der Erstellung eines neuen Notizbuchs. Gehen Sie zum NotebookLM-Website und klicken Sie auf „Neues Notizbuch erstellen“.

Sie werden nach der Quelle gefragt.

Wie Sie im Screenshot unten sehen können, stehen verschiedene Optionen zur Verfügung.

• Google Drive
• Webseite
• Youtube
• Textual content einfügen

Lassen Sie uns die Choice „Textual content einfügen“ verwenden und die Metadaten der Interviewfrage der Meta einfügen. Hier sind die Informationen, die wir in diesem wiederverwendbaren Format einfügen werden.

Right here is the query.
(paste query right here)
It makes use of two datasets.
(paste dataset info right here)
Right here is the python resolution.
(paste python resolution right here.)

Klicken Sie anschließend auf „Einfügen“, wie unten gezeigt.

// Entdecken Sie das Interactive Studying Studio

Unten sehen Sie den Bildschirm, der geöffnet wird, nachdem wir auf „Einfügen“ geklickt haben. Hyperlinks sehen wir die Quellen. In der Mitte haben wir ein LLM, das auf unseren Daten trainiert wurde. Rechts haben wir ein „Studio“ mit sechs verschiedenen Lernformaten, die wir einzeln testen.

Klicken wir auf die Schaltfläche „Wie nutzt die Python-Lösung vorhandene Freundes- und Seitendaten für Empfehlungen“, die sich unter dem Eingabetext in der Mitte befindet? Diese Frage wurde von NotebookLM generiert.

Hier ist die Antwort.

Wie Sie sehen, erklärt es das gesamte Konzept. Sie können diese Notiz auch speichern, indem Sie am Ende auf „Notiz speichern“ klicken. Die Notizen werden dann im Abschnitt „Studio“ wie folgt angezeigt.

Wenn Sie additionally Fragen zu dieser Interviewfrage haben, können Sie das LLM in der Mitte des vorherigen Bildschirms verwenden, um eine Antwort zu erhalten. Lassen Sie uns die sechs „Studio“-Funktionen erkunden, die die Dinge interessanter machen.

// Erleben Sie die sechs Lernfunktionen von NotebookLM

In diesem Abschnitt sehen wir die unten gezeigten sechs Lernfunktionen von NotebookLM in Aktion.

Jedes hilft Ihnen, die Meta-Interviewfrage aus einem anderen Blickwinkel zu verstehen – durch Audio, Video, Bilder und interaktive Übungen.

1. Erstellen Sie eine Audioübersicht
Klicken Sie auf „Audioübersicht“.
Wenn Sie dies tun, wird diese Benachrichtigung unter „Studio“ angezeigt und Ihre Audioübersicht ist in wenigen Minuten fertig.

NotebookLM verwandelt Ihre hochgeladenen Inhalte in ein Gespräch im Podcast-Stil. Zwei KI-Stimmen besprechen Ihr Downside, als würden Sie einer Present zur Vorbereitung auf ein technisches Vorstellungsgespräch zuhören. Sie schlüsseln das Empfehlungssystem von Meta auf, erläutern die Logik und heben Grenzfälle hervor.

Sie können dieses Gespräch herunterladen und interessanterweise auch daran teilnehmen, indem Sie auf „Interaktiv“ klicken. Anschließend öffnet sich der folgende Bildschirm.

Und wenn Sie auf „Teilnehmen“ klicken, lautet die Nachricht „Hallo, jemand möchte mitmachen“, sodass Sie an der Unterhaltung teilnehmen können. (Ja, Sie können wirklich an der Konversation teilnehmen; sie wird in Echtzeit über eine Textual content-to-Speech-API aktualisiert. Eine wirklich futuristische Funktion!)

2. Erstellen Sie die Videoaufschlüsselung
Gehen Sie zurück zum Bereich „Studio“ und klicken Sie auf „Videoübersicht“. NotebookLM erstellt ein Video, das Ihre Daten visualisiert und die Lösung erklärt. In unserem Fall ist das Video 6 Minuten und 21 Sekunden lang.

Im generierten Video erklärt NotebookLM zunächst das umfassendere Konzept: Wie Social-Media-Plattformen entscheiden, was empfohlen wird, bevor wir uns unserem spezifischen Downside zuwenden.

Als nächstes wird im generierten Video das Interviewproblem besprochen, indem es in Teile zerlegt wird, beginnend mit dem unten gezeigten Schlüsselschritt.

Als nächstes beginnt es mit der Erläuterung der Lösung. Es wiederholt nicht einfach, was auf dem Bildschirm angezeigt wird; Die Erläuterungen gehen tief in das Konzept ein.

Und schließlich wird die Lösung in Schritte unterteilt und anhand dieser Schritte erläutert.

3. Ordnen Sie die Logik visuell zu
Kehren Sie zum Bedienfeld „Studio“ zurück und klicken Sie auf „Thoughts Map“.
NotebookLM generiert einen visuellen Baum des Issues. Schauen wir uns eins an.

Sie sehen die gesamte Problemstruktur in einer Ansicht: Empfehlungsziel oben, erforderliche Datensätze in der Mitte und Lösungsschritte unten. Klicken wir auf eine davon, zum Beispiel „Schritt 1: Seiten von Freunden identifizieren (Zusammenführen 1).“

Wie Sie sehen, wird die Mindmap durch die Erläuterung von Schritt 1 erweitert. Sie können sie auch herunterladen.

4. Erstellen Sie Berichte
Kehren Sie zum Studio-Bedienfeld zurück und klicken Sie auf „Berichte“. NotebookLM fordert Sie auf, auszuwählen, welche Artwork von Bericht Sie erstellen möchten.

Wählen wir eine Problemlösung aus. Es wird mit der Erstellung eines Berichts begonnen.

Hier ist die Schritt-für-Schritt-Anleitung, die erklärt, wie Sie diese Interviewfrage lösen können.

5. Karteikarten erstellen
Gehen Sie zurück zum Bereich „Studio“ und klicken Sie auf „Lernkarten“. NotebookLM generiert automatisch Frage-und-Antwort-Karten. Schauen wir uns einen davon an.

Und wenn Sie auf die Antwort klicken, finden Sie hier das Ergebnis.

Klicken wir auf „Erklären“. Es verwendet eine Eingabeaufforderung, um diese Frage mit Gemini-Modellen zu beantworten.

Schauen wir uns nun die Ergebnisse an.

6. Erstellen Sie ein Quiz
Kehren Sie zum Studio-Bedienfeld zurück und klicken Sie auf das Quiz. NotebookLM generiert einen Übungstest. Machen wir es und schauen wir uns das erste Quiz an.

Klicken wir auf „Hinweis“.

Die Antwort liegt nun auf der Hand. Additionally wählen wir es aus und sehen, was passiert.

Wenn Sie noch eine Frage haben, klicken Sie auf „Erklären“. Sie gelangen zum mittleren Abschnitt, wo der an unserer Lösung geschulte LLM die Antwort liefert. Hier ist es.

# Abschluss

Die Vorbereitung auf technische Vorstellungsgespräche bedeutet nicht, dass man die Probleme im Vorstellungsgespräch isoliert lösen muss. Es bedeutet, tiefgreifend zu verstehen, klar zu visualisieren und selbstbewusst zu erklären. NotebookLM verwandelt eine einzelne Interviewfrage in ein multisensorisches Lernerlebnis, einschließlich Audio, Video, visuellen Karten, schriftlichen Berichten und aktiver Erinnerung.
Sie verfügen bereits über die Fähigkeiten zur Problemlösung. Jetzt haben Sie ein System, um sie zu organisieren, zu verstärken und unter Druck zu präsentieren. Wenn Sie das nächste Mal eine schwierige SQL- oder Python-Frage sehen, geraten Sie nicht in Panik. Laden Sie es hoch, erkunden Sie es und meistern Sie es.

Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von High-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Traits auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Knowledge-Science-Projekte vor und behandelt alles rund um SQL.