Viele technische Herausforderungen sind auf das gleiche Downside zurückzuführen: zu viele Knöpfe zum Drehen und zu wenige Möglichkeiten, sie zu testen. Ganz gleich, ob es um die Abstimmung eines Stromnetzes oder die Entwicklung eines sichereren Fahrzeugs geht: Jede Bewertung kann kostspielig sein, und es können Hunderte von Variablen von Bedeutung sein.

Denken Sie über das Design der Fahrzeugsicherheit nach. Ingenieure müssen Tausende von Teilen integrieren, und viele Designentscheidungen können das Verhalten eines Fahrzeugs bei einer Kollision beeinflussen. Klassische Optimierungstools könnten bei der Suche nach der besten Kombination Schwierigkeiten bereiten.

MIT-Forscher haben einen neuen Ansatz entwickelt, der überdenkt, wie eine klassische Methode, die sogenannte Bayes’sche Optimierung, zur Lösung von Problemen mit Hunderten von Variablen verwendet werden kann. In Exams an realistischen Benchmarks im Ingenieursstil, etwa zur Optimierung von Energiesystemen, fand der Ansatz Prime-Lösungen 10 bis 100 Mal schneller als weit verbreitete Methoden.

Ihre Technik nutzt ein auf Tabellendaten trainiertes Basismodell, das automatisch die Variablen identifiziert, die für die Leistungssteigerung am wichtigsten sind, und den Prozess wiederholt, um immer bessere Lösungen zu finden. Basis-Modelle sind riesige künstliche Intelligenzsysteme, die auf riesigen, allgemeinen Datensätzen trainiert werden. Dadurch können sie sich an unterschiedliche Anwendungen anpassen.

Das tabellarische Grundlagenmodell der Forscher muss nicht ständig neu trainiert werden, da es auf eine Lösung hinarbeitet, was die Effizienz des Optimierungsprozesses erhöht. Die Technik ermöglicht auch höhere Geschwindigkeiten bei komplizierteren Problemen, sodass sie besonders bei anspruchsvollen Anwendungen wie der Materialentwicklung oder der Arzneimittelforschung nützlich sein könnte.

„Moderne KI- und maschinelle Lernmodelle können die Artwork und Weise, wie Ingenieure und Wissenschaftler komplexe Systeme erstellen, grundlegend verändern. Wir haben einen Algorithmus entwickelt, der nicht nur hochdimensionale Probleme lösen kann, sondern auch wiederverwendbar ist, sodass er auf viele Probleme angewendet werden kann, ohne dass alles von vorne beginnen muss“, sagt Rosen Yu, ein Doktorand der Informatik und Ingenieurwissenschaften und Hauptautor von a Papier über diese Technik.

Yu wird bei dem Artikel von Cyril Picard, einem ehemaligen MIT-Postdoktoranden und Forschungswissenschaftler, und Faez Ahmed, außerordentlicher Professor für Maschinenbau und Kernmitglied des MIT Middle for Computational Science and Engineering, unterstützt. Die Forschung wird auf der Worldwide Convention on Studying Representations vorgestellt.

Verbesserung einer bewährten Methode

Wenn Wissenschaftler versuchen, ein vielschichtiges Downside zu lösen, aber über teure Methoden zur Erfolgsbewertung verfügen, etwa einen Crashtest eines Autos, um herauszufinden, wie intestine jedes Design ist, verwenden sie oft eine bewährte Methode namens Bayes’sche Optimierung. Diese iterative Methode findet die beste Konfiguration für ein kompliziertes System, indem sie ein Ersatzmodell erstellt, das dabei hilft, abzuschätzen, was als nächstes untersucht werden soll, und dabei die Unsicherheit seiner Vorhersagen zu berücksichtigen.

Allerdings muss das Ersatzmodell nach jeder Iteration neu trainiert werden, was rechnerisch schnell schwierig werden kann, wenn der Raum potenzieller Lösungen sehr groß ist. Darüber hinaus müssen Wissenschaftler immer dann ein neues Modell von Grund auf erstellen, wenn sie ein anderes Szenario angehen wollen.

Um beide Mängel zu beheben, verwendeten die MIT-Forscher ein generatives KI-System, das als tabellarisches Grundlagenmodell bekannt ist, als Ersatzmodell innerhalb eines Bayes’schen Optimierungsalgorithmus.

„Ein tabellarisches Grundlagenmodell ist wie ein ChatGPT für Tabellenkalkulationen. Die Eingabe und Ausgabe dieser Modelle sind tabellarische Daten, die im technischen Bereich viel häufiger zu sehen und zu verwenden sind als Sprache“, sagt Yu.

Genau wie große Sprachmodelle wie ChatGPT, Claude und Gemini wurde das Modell anhand einer enormen Menge tabellarischer Daten vorab trainiert. Dadurch ist es für die Bewältigung einer Reihe von Vorhersageproblemen bestens gerüstet. Darüber hinaus kann das Modell unverändert bereitgestellt werden, ohne dass eine erneute Schulung erforderlich ist.

Um ihr System genauer und effizienter für die Optimierung zu machen, verwendeten die Forscher einen Trick, der es dem Modell ermöglicht, Merkmale des Designraums zu identifizieren, die den größten Einfluss auf die Lösung haben.

„Ein Auto magazine 300 Designkriterien haben, aber nicht alle davon sind der Hauptfaktor für das beste Design, wenn man versucht, einige Sicherheitsparameter zu erhöhen. Unser Algorithmus kann clever die kritischsten Merkmale auswählen, auf die man sich konzentrieren sollte“, sagt Yu.

Dazu wird ein tabellarisches Grundlagenmodell verwendet, um abzuschätzen, welche Variablen (oder Kombinationen von Variablen) das Ergebnis am stärksten beeinflussen.

Anschließend wird die Suche auf diese Variablen mit großer Auswirkung konzentriert, anstatt Zeit damit zu verschwenden, alles gleichermaßen zu untersuchen. Wenn beispielsweise die Größe der vorderen Knautschzone erheblich zunahm und sich die Sicherheitsbewertung des Fahrzeugs verbesserte, spielte dieses Merkmal wahrscheinlich eine Rolle bei der Verbesserung.

Größere Probleme, bessere Lösungen

Eine ihrer größten Herausforderungen bestand darin, das beste tabellarische Fundamentmodell für diese Aufgabe zu finden, sagt Yu. Dann mussten sie es mit einem Bayes’schen Optimierungsalgorithmus so verknüpfen, dass es die herausragendsten Designmerkmale identifizieren konnte.

„Das Finden der prominentesten Dimension ist ein bekanntes Downside in Mathematik und Informatik, aber einen Weg zu finden, der die Eigenschaften eines tabellarischen Fundamentmodells nutzt, warfare eine echte Herausforderung“, sagt Yu.

Nachdem das algorithmische Framework vorhanden warfare, testeten die Forscher ihre Methode, indem sie sie mit fünf hochmodernen Optimierungsalgorithmen verglichen.

Bei 60 Benchmark-Problemen, darunter realistische Situationen wie Stromnetzdesign und Autounfalltests, fand ihre Methode durchweg die beste Lösung zwischen 10 und 100 Mal schneller als die anderen Algorithmen.

„Wenn ein Optimierungsproblem immer mehr Dimensionen annimmt, glänzt unser Algorithmus wirklich“, fügte Yu hinzu.

Ihre Methode warfare jedoch nicht bei allen Problemen besser als die Basislinien, beispielsweise bei der robotergesteuerten Pfadplanung. Dies deutet wahrscheinlich darauf hin, dass das Szenario in den Trainingsdaten des Modells nicht genau definiert warfare, sagt Yu.

Zukünftig wollen die Forscher Methoden untersuchen, die die Leistung tabellarischer Grundlagenmodelle steigern könnten. Sie wollen ihre Technik auch auf Probleme mit Tausenden oder sogar Millionen von Dimensionen anwenden, wie zum Beispiel den Entwurf eines Marineschiffs.

„Auf einer höheren Ebene weist diese Arbeit auf einen umfassenderen Wandel hin: Die Verwendung von Basismodellen nicht nur für Wahrnehmung oder Sprache, sondern als algorithmische Motoren in wissenschaftlichen und technischen Werkzeugen, wodurch klassische Methoden wie die Bayes’sche Optimierung auf Regime skaliert werden können, die zuvor unpraktisch waren“, sagt Ahmed.

„Der in dieser Arbeit vorgestellte Ansatz, der ein vorab trainiertes Grundlagenmodell zusammen mit hochdimensionaler Bayes’scher Optimierung verwendet, ist eine kreative und vielversprechende Möglichkeit, die hohen Datenanforderungen von simulationsbasiertem Design zu reduzieren. Insgesamt ist diese Arbeit ein praktischer und leistungsstarker Schritt, um fortgeschrittene Designoptimierung zugänglicher und einfacher in realen Umgebungen anwendbar zu machen“, sagt Wei Chen, Wilson-Prepare dinner-Professor für Ingenieurdesign und Vorsitzender der Abteilung für Maschinenbau an der Northwestern College, der nicht an dieser Forschung beteiligt warfare.

Um große Sprachmodelle (LLMs) bei der Beantwortung schwierigerer Fragen genauer zu machen, können Forscher dem Modell mehr Zeit zum Nachdenken über mögliche Lösungen geben.

Aber gängige Ansätze, die LLMs diese Fähigkeit verleihen, legen für jedes Drawback ein festes Rechenbudget fest, unabhängig davon, wie komplex es ist. Dies bedeutet, dass das LLM möglicherweise Rechenressourcen für einfachere Fragen verschwendet oder nicht in der Lage ist, komplizierte Probleme zu lösen, die mehr Überlegungen erfordern.

Um dieses Drawback anzugehen, haben MIT-Forscher eine intelligentere Methode zur Zuteilung des Rechenaufwands entwickelt, während das LLM ein Drawback löst. Ihre Methode ermöglicht es dem Modell, sein Rechenbudget basierend auf der Schwierigkeit der Frage und der Wahrscheinlichkeit, dass jede Teillösung zur richtigen Antwort führt, dynamisch anzupassen.

Die Forscher fanden heraus, dass ihr neuer Ansatz es LLMs ermöglichte, nur die Hälfte des Rechenaufwands im Vergleich zu bestehenden Methoden zu nutzen und gleichzeitig eine vergleichbare Genauigkeit bei einer Reihe von Fragen mit unterschiedlichen Schwierigkeiten zu erreichen. Darüber hinaus ermöglicht ihre Methode, dass kleinere, weniger ressourcenintensive LLMs bei komplexen Problemen genauso gute oder sogar bessere Leistungen erbringen als größere Modelle.

Durch die Verbesserung der Zuverlässigkeit und Effizienz von LLMs, insbesondere wenn sie komplexe Argumentationsaufgaben bewältigen, könnte diese Technik den Energieverbrauch generativer KI-Systeme senken und den Einsatz von LLMs in anspruchsvolleren und zeitkritischeren Anwendungen ermöglichen.

„Die Rechenkosten der Inferenz sind schnell zu einem großen Engpass für Anbieter von Frontier-Modellen geworden, und sie versuchen aktiv, Möglichkeiten zu finden, die Recheneffizienz professional Benutzerabfrage zu verbessern. Beispielsweise unterstreicht die aktuelle Model von GPT-5.1 die Wirksamkeit des in unserem Artikel vorgeschlagenen Ansatzes des ‚adaptiven Denkens‘. Indem wir die Modelle mit der Fähigkeit ausstatten, zu wissen, was sie nicht wissen, können wir ihnen ermöglichen, mehr Rechenleistung für die schwierigsten Probleme und vielversprechendsten Lösungspfade aufzuwenden und weit weniger zu verwenden.“ „Das macht das Denken sowohl zuverlässiger als auch weitaus effizienter“, sagt Navid Azizan, Assistenzprofessor für Karriereentwicklung bei Alfred H. und Jean M. Hayes in der Abteilung für Maschinenbau und am Institut für Daten, Systeme und Gesellschaft (IDSS), leitender Forscher am Labor für Informations- und Entscheidungssysteme (LIDS) und leitender Autor von a Papier über diese Technik.

Azizan wird bei dem Artikel vom Hauptautor Younger-Jin Park unterstützt, einem LIDS/MechE-Absolventen; Kristjan Greenewald, Forschungswissenschaftler im MIT-IBM Watson AI Lab; Kaveh Alim, ein IDSS-Doktorand; und Hao Wang, Forschungswissenschaftler am MIT-IBM Watson AI Lab und dem Crimson Hat AI Innovation Staff. Die Forschung wird diese Woche auf der Konferenz über neuronale Informationsverarbeitungssysteme vorgestellt.

Berechnung zur Kontemplation

Ein neuerer Ansatz namens Inferenzzeitskalierung sorgt dafür, dass ein großes Sprachmodell mehr Zeit benötigt, um über schwierige Probleme nachzudenken.

Mithilfe der Inferenzzeitskalierung kann das LLM mehrere Lösungsversuche gleichzeitig generieren oder verschiedene Argumentationspfade erkunden und dann aus diesen Kandidaten die besten auswählen.

Ein separates Modell, das sogenannte Prozessbelohnungsmodell (PRM), bewertet jede potenzielle Lösung oder jeden möglichen Argumentationspfad. Das LLM verwendet diese Ergebnisse, um die vielversprechendsten zu identifizieren.

Typische Ansätze zur Inferenzzeitskalierung weisen dem LLM einen festen Rechenaufwand zu, um das Drawback aufzuschlüsseln und die Schritte zu begründen.

Stattdessen passt die Methode der Forscher, die als instanzadaptive Skalierung bekannt ist, die Anzahl potenzieller Lösungen oder Argumentationsschritte dynamisch an, je nachdem, wie wahrscheinlich es ist, dass sie erfolgreich sind, während das Modell mit dem Drawback ringt.

„So lösen Menschen Probleme. Wir finden einige Teillösungen und entscheiden dann, ob ich mit einer dieser Lösungen weitermachen soll oder ob ich aufhören und sie überarbeiten soll oder sogar zu meinem vorherigen Schritt zurückkehren und das Drawback von dort aus weiter lösen soll?“ Wang erklärt.

Zu diesem Zweck nutzt das Framework das PRM, um die Schwierigkeit der Frage abzuschätzen, und hilft dem LLM dabei, zu beurteilen, wie viel Rechenbudget für die Generierung und Überlegungen zu möglichen Lösungen aufgewendet werden muss.

Bei jedem Schritt im Argumentationsprozess des Modells betrachtet der PRM die Frage und die Teilantworten und bewertet, wie vielversprechend jede einzelne davon ist, zur richtigen Lösung zu gelangen. Wenn das LLM sicherer ist, kann es die Anzahl der potenziellen Lösungen oder zu verfolgenden Argumentationspfade reduzieren und so Rechenressourcen sparen.

Die Forscher stellten jedoch fest, dass bestehende PRMs die Erfolgswahrscheinlichkeit des Modells häufig überschätzen.

Selbstüberschätzung überwinden

„Wenn wir einfach den aktuellen PRMs vertrauen würden, die die Erfolgsaussichten oft überschätzen, würde unser System das Rechenbudget zu stark reduzieren. Additionally mussten wir zunächst einen Weg finden, PRMs besser zu kalibrieren, um die Skalierung der Inferenzzeit effizienter und zuverlässiger zu machen“, sagt Park.

Die Forscher führten eine Kalibrierungsmethode ein, die es PRMs ermöglicht, eine Reihe von Wahrscheinlichkeitswerten anstelle eines einzelnen Werts zu generieren. Auf diese Weise erstellt das PRM zuverlässigere Unsicherheitsschätzungen, die die tatsächliche Erfolgswahrscheinlichkeit besser widerspiegeln.

Mit einem intestine kalibrierten PRM kann ihr instanzadaptives Skalierungsframework die Wahrscheinlichkeitswerte nutzen, um den Rechenaufwand effektiv zu reduzieren und gleichzeitig die Genauigkeit der Modellausgaben beizubehalten.

Als sie ihre Methode bei einer Reihe mathematischer Argumentationsaufgaben mit Standardansätzen zur Inferenzzeitskalierung verglichen, stellte sie fest, dass zur Lösung jedes Issues weniger Rechenaufwand erforderlich warfare und gleichzeitig eine ähnliche Genauigkeit erzielt wurde.

„Das Schöne an unserem Ansatz ist, dass diese Anpassung spontan erfolgt, während das Drawback gelöst wird, und nicht auf einmal zu Beginn des Prozesses“, sagt Greenewald.

Zukünftig sind die Forscher daran interessiert, diese Technik auf andere Anwendungen anzuwenden, beispielsweise auf die Codegenerierung und KI-Agenten. Sie planen außerdem, weitere Einsatzmöglichkeiten für ihre PRM-Kalibrierungsmethode zu erkunden, beispielsweise für das verstärkende Lernen und die Feinabstimmung.

„Menschliche Mitarbeiter lernen bei der Arbeit – einige CEOs haben sogar als Praktikanten angefangen –, aber heutige Agenten bleiben weitgehend statische Teile probabilistischer Software program. Arbeiten wie dieses Papier sind ein wichtiger Schritt, um das zu ändern: Agenten zu helfen, zu verstehen, was sie nicht wissen, und Mechanismen für die kontinuierliche Selbstverbesserung zu entwickeln. Diese Fähigkeiten sind unerlässlich, wenn wir Agenten wollen, die sicher arbeiten, sich an neue Situationen anpassen und konsistente Ergebnisse in großem Maßstab liefern können“, sagt Akash Srivastava, Direktor und Chefarchitekt von Core AI bei IBM Software program, der nicht beteiligt warfare mit dieser Arbeit.

Diese Arbeit wurde teilweise vom MIT-IBM Watson AI Lab, dem MIT-Amazon Science Hub, dem MIT-Google Program for Computing Innovation und MathWorks finanziert.

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.