In der Community fragen sich viele Nutzer: „Hat jemand von ChatGPT zu Gemini gewechselt?“ oder „Findet jemand Gemini aktuell unbenutzbar und möchte zu ChatGPT zurück?“, während andere von einer Plattform zur nächsten springen. Dieses Hin und Her bringt eine spürbare Herausforderung mit sich: Daten müssen neu eingegeben und Gespräche neu aufgebaut werden, was bedeutet, dass die AI eine Person erneut kennenlernen muss. Daher ist heute der zentrale Gedanke: Wir müssen eine eigene Wissensdatenbank aufbauen.

Diese Anleitung ist geeignet für:

• Benutzer von NotebookLM, die nicht wissen, wo sie anfangen sollen.
• Diejenigen, die bereits die Software verwenden, aber nicht zufrieden sind.
• Personen, die eine individuelle oder Team-Wissensdatenbank erstellen möchten.
• Wechsler von ChatGPT zu Gemini, die sich mit Googles Ökosystem vertraut machen wollen.

Ich bin Coach Jiang Jiang und konzentriere mich aktuell auf zwei Hauptbereiche:

• Extraktion von implizitem Wissen: Ich helfe Fachleuten, ihre Erfahrungen und Entscheidungsgrundlagen zu strukturieren.
• AI-Anwendungsgestaltung: Aufbau von Wissensdatenbanken, um Decisions und Denkprozesse präziser zu unterstützen.

Kernkonzept: Handlungsstärkung vs. Gehirnstärkung

Vor der praktischen Anwendung möchte ich ein wichtiges Konzept besprechen. Eine offizielle Studie von OpenAI, die in Zusammenarbeit mit dem Harvard-Ökonomen David Deming entstand, zeigt, dass die Mehrheit der Menschen AI zur Verstärkung ihrer „Hände“ nutzt, indem sie AI auffordern, Texte zu schreiben, Präsentationen zu erstellen oder Bilder zu generieren. Eine kleinere Gruppe hingegen verwendet AI zur Unterstützung ihres „Gehirns“. Diese Nutzer fragen beispielsweise:

• „Was denkst du darüber?“
• „Habe ich etwas übersehen?“
• „Gibt es Risiken bei dieser Entscheidung?“

Ersteren wird AI als „Ausführungswerkzeug“ und Letzteren als „Entscheidungsberater“ betrachtet. Diese Lektion konzentriert sich auf die „Gehirnstärkung“ und den Wissensmanagementprozess, der Entscheidungsfindungen unterstützt.

Fallbeispiel: Lass den Bericht dich lesen

Um ein Gefühl für die Grundoperationen zu vermitteln, möchte ich ein Beispiel präsentieren. Dies ist ein Auszug aus einer offizielen OpenAI-Erklärung. Wir haben das größte Forschungsvorhaben veröffentlicht, das sich eingehend mit der Nutzung von ChatGPT beschäftigt. Die Studie nutzt datenschutzfreundliche, groß angelegte Analysemethoden zur Untersuchung von 1,5 Millionen Dialogen und analysiert die Nutzung durch Konsumenten seit der Veröffentlichung von ChatGPT vor drei Jahren. Diese Erkenntnisse bezeichnen die umfassendste Untersuchung der tatsächlichen Verbraucherinteraktionen mit AI.

Das Reporting kann über folgende URL heruntergeladen werden: Bericht herunterladen.

Erste Phase: Traditionelle Herangehensweise

Es gibt so viele Berichte, dass es mühsam wäre, sie alle zu lesen. Zudem ist unklar, welcher Bericht für mich relevant ist.

Zweite Phase: AI um eine Zusammenfassung bitten

Ich lasse AI eine Zusammenfassung aus zehn Berichten erstellen, um die dritte, die am besten zu mir passt, sorgfältig zu lesen.

Dritte Phase: Lass den Bericht dich lesen

Nach dem Lesen der Zusammenfassung frage ich mich: „Wie kann ich das für mich nutzen?“ Warum lasse ich AI nicht sofort die „für mich relevanten Punkte“ herausfiltern?

Handlungsweise

Die Eingabeaufforderung lautet: „Berücksichtige diesen Bericht und extrahiere die besten Ratschläge und Handlungsschritte basierend auf meinem Arbeitskontext, meinen beruflichen Hintergrund und den aktuellen Themen, die ich verfolge.“ Allerdings ist es wichtig, dass die AI gut mit meiner Person vertraut ist, dazu sollte der Erinnerungsmodus aktiviert sein, wobei darauf geachtet werden muss, Unordnung zu vermeiden.

Ein persönliches Informationsprofil sollte folgende Punkte enthalten:

• Mein beruflicher Hintergrund
• Die Probleme, die ich gegenwärtig bearbeite
• Die Bereiche, die ich aktuell verfolge

Erweiterte Nutzungsmöglichkeiten

Dieses Konzept kann weiter ausgebaut werden, von einer einzelnen Quelle wie einem Bericht über zehn Berichte, Handbücher (Kompetenzpakete) bis hin zu einem YouTube-Kanal mit 30 Videos (Wissensdatenbank).

Das Sammeln persönlicher Informationen kann von meinem individuellen Profil bis hin zu 20-30 Artikeln (Projektmappen) oder sogar 100 Arbeitsprotokollen (Wissensdatenbank) ausgeweitet werden. Je besser AI mich kennt, desto genauer werden die Ergebnisse sein. Dieser Ansatz kann darüber hinausgehen und mehrere spezialisierte Berater umfassen, wodurch ein interdisziplinäres Wissensnetzwerk entsteht.

Grundlegende Techniken zur Datenorganisation

Technik 1: Google Drive als zentrale Datenbank

Die zentrale Empfehlung lautet: Es ist am praktischsten, wenn die Informationen aus Google Drive importiert werden, es sei denn, sie liegen bereits in einem PDF-Format vor.

Der grundlegende Gedanke dabei ist, dass ich Google Drive zur Hauptdatenbank umgestalte. So wird es leichter, die Daten sowohl in NotebookLM als auch in anderen AI-Plattformen zu importieren.

Technik 2: Klare Kapitel und Absätze (Markdown-Format)

Warum sollten Kapitel und Absätze klar sein? Wenn Ihre Daten importiert werden, wird jeder Abschnitt in kleine Karten unterteilt und die AI nutzt diese, um Antworten zu generieren. Eine klare Struktur hilft der AI, die richtigen Informationen effektiv zu erfassen.

Technik 3: Retrieval-Seiten

Eine Retrieval-Seite dient als Navigationsdokument, um zu erklären „Wofür wird dieses Dokument verwendet?“, besonders wenn wichtige Informationen nicht im Dokument direkt geschrieben sind.

Die große Nadel im Heuhaufen-Testing

Was ist der Zweck des Tests? Viele Nutzer fragen sich, wie detailliert ihre Daten organisiert sein sollten: Sollten sie sorgfältig kategorisiert oder einfach ins System geladen werden? Der große Nadel im Heuhaufen-Test hilft, die richtige Balance zu finden.

Der Test besteht aus drei Schritten:

1. Testcode verstecken: In einer Referenzdatenbank einen offensichtlichen Code einfügen.
2. Unterschiedliche Abfragen gleichzeitig durchführen: Eine strukturierte und eine unstrukturierte.

Praktische Tipps für NotebookLM

Tipp 1: YouTube-Links direkt eingeben

NotizbuchLM kann YouTube-Links direkt verarbeiten und die Untertitel automatisch extrahieren und in Textform umsetzen.

Tipp 2: Größere Videos in MP3 umwandeln

Bei großen Video-Dateien sollten diese vor dem Upload in MP3 umgewandelt werden, um die Größenbeschränkungen zu umgehen.

Tipp 3: Notizen in Quellen umwandeln

Wichtige neue Erkenntnisse, die während der Interaktion mit der AI entstanden sind, sollten als Notizen gespeichert und in Quellen umgewandelt werden, um die Wissensdatenbank aktuell zu halten.

Tipp 4: Mobile Nutzung hinweisen

Die mobile Version von NotebookLM ist funktionell begrenzt. Um alle Funktionen zu nutzen, sollte die webbasierte Version auf einem Mobilgerät geöffnet werden.

Tipp 5: Infografik-Funktion nutzen

NotebookLM bietet die Möglichkeit, Textinhalte in visuelle Diagramme zu konvertieren, um komplexe Informationen leichter darzustellen.

Zusammenfassung des Kernkonzepts

Das Problem, dass AI nicht nützlich ist, liegt nicht an der AI selbst, sondern an der Art und Weise, wie Daten strukturiert sind. Damit AI als effektiver Assistent arbeiten kann, müssen die Wissensstrukturen klar definiert sein und sowohl für Menschen als auch für die AI verständlich sein.