Zdjęcie autorstwa autora
# Wstęp
Podnieś rękę, jeśli kiedykolwiek podczas rozmowy technicznej zamarłeś, gdy osoba przeprowadzająca rozmowę zapytała: „Opisz mi swoje podejście”. Większość kandydatów czyta pytanie, od razu przechodzi do kodu i ma nadzieję, że uruchomi się pamięć mięśniowa.
A co, jeśli możesz przesłać pytanie do rozmowy kwalifikacyjnej do narzędzia AI i uzyskać podcast objaśniający Twój kod, wizualną mapę myśli, fiszki i quiz? Cóż, możesz z NotatnikLM.
W tym artykule najpierw sami rozwiążemy pytanie zawarte w rozmowie kwalifikacyjnej Meta w „Systemie rekomendacji”, a następnie wykorzystamy sześć funkcji programu NotebookLM, aby zrozumieć go i uczyć się z niego mądrzej, a nie trudniej.
# Poznaj NotebookLM: asystenta nauki Google opartego na sztucznej inteligencji
NotatnikLM to asystent Google ds. badań nad sztuczną inteligencją. Zmienia sposób, w jaki uczymy się na podstawie danych, łącząc wiele funkcji opartych na sztucznej inteligencji, dzięki czemu proces jest bardziej interaktywny i adaptacyjny.
Czyni to poprzez przekształcanie dokumentów, książek i innych materiałów w interaktywne narzędzia edukacyjne. Mówiąc dokładniej, zamienia Twoje materiały w rozmowy, mapy wizualne i quizy, a także oszczędza godziny ręcznego przeglądania, dzięki czemu złożone tematy są łatwiejsze do przetrawienia.
Dzięki temu szybciej zrozumiesz i utrwalisz wiedzę. Krótko mówiąc, NotebookLM pomaga uczyć się mądrzej, a nie trudniej.
Rozwiążmy teraz pytanie z rozmowy kwalifikacyjnej Meta, a następnie sprawdźmy, w jaki sposób NotebookLM może pomóc nam w uczeniu się na podstawie tego samego kodu.
# Wyzwanie: Pytanie do rozmowy kwalifikacyjnej Meta dotyczące „Systemu rekomendacji”.
System rekomendacji
Otrzymasz listę znajomych na Facebooku i listę stron na Facebooku, które śledzą użytkownicy. Twoim zadaniem jest stworzenie nowego systemu rekomendacji dla Facebooka. Znajdź dla każdego użytkownika Facebooka strony, których ten użytkownik nie obserwuje, ale co najmniej jeden z jego znajomych tak. Wypisz identyfikator użytkownika i identyfikator strony, która powinna zostać polecona temu użytkownikowi.
Pytanie jest dostępne na StrataScratch. W tym pytaniu Meta poprosiła nas o zbudowanie systemu rekomendacji, który sugeruje strony na Facebooku, których użytkownik jeszcze nie obserwuje, ale przynajmniej jeden z jego znajomych to robi.
// Zrozumienie danych leżących u podstaw problemu
Mamy dwa różne zbiory danych, user_friends I user_pages.
Pierwsza pokazuje powiązania społecznościowe każdego użytkownika (kto z kim się przyjaźni), a user_pages wyświetla listę stron, które każdy użytkownik już obserwuje.
Razem pomagają nam znajdować nowe rekomendacje stron na podstawie aktywności wspólnych znajomych.
Zobaczmy podgląd user_friends najpierw zbiór danych.
| identyfikator_użytkownika | identyfikator_znajomego |
|---|---|
| 1 | 2 |
| 1 | 4 |
| 1 | 5 |
| 2 | 1 |
| 2 | 3 |
Przyjrzyjmy się teraz drugiemu zbiorowi danych, user_pages:
| identyfikator_użytkownika | id_strony |
|---|---|
| 1 | 21 |
| 1 | 25 |
| 2 | 25 |
| 2 | 23 |
| 2 | 24 |
// Rozwiązanie krok po kroku: Budowa silnika rekomendacji
Celem jest rekomendowanie stron na Facebooku, których użytkownik jeszcze nie obserwuje, ale co najmniej jeden z jego znajomych już obserwuje.
Najpierw łączymy każdego użytkownika ze stronami, które odwiedzają jego znajomi. Dzięki temu możemy zobaczyć, które strony odwiedza sieć użytkownika i jakie są potencjalne rekomendacje.
friends_pages = users_friends.merge(users_pages, left_on='friend_id', right_on='user_id')
friends_pages = friends_pages[['user_id_x', 'page_id']]Teraz musimy wykluczyć strony, które użytkownicy już obserwują. Robimy to poprzez ponowne połączenie z oryginałem users_pages table i zachowując tylko te strony, których nie ma jeszcze na liście użytkownika.
comparison = friends_pages.merge(
users_pages,
how='left',
left_on=['user_id_x', 'page_id'],
right_on=['user_id', 'page_id']
)
result = comparison[comparison['user_id'].isna()][['user_id_x', 'page_id']]Na koniec usuwamy wszelkie duplikaty, aby uniknąć wielokrotnego polecania tej samej strony, i zmieniamy nazwę kolumny dla przejrzystości.
result = result.drop_duplicates()
result = result.rename(columns={'user_id_x': 'user_id'})Oto kilka pierwszych wierszy oczekiwanych wyników.
| identyfikator_użytkownika | id_strony |
|---|---|
| 1 | 23 |
| 1 | 24 |
| 1 | 28 |
| 3 | 23 |
| 3 | 28 |
Do tego momentu polegaliśmy na tradycyjnych technikach: sami kodowaliśmy, scalaliśmy i interpretowaliśmy wszystko.
Teraz Google NotebookLM pozwala nam pójść o krok dalej w procesie uczenia się.
# Od rozwiązywania do nauki: wejdź do NotebookLM
W tej sekcji pokażemy, jak udostępnić programowi NotebookLM szczegóły pytań do rozmowy kwalifikacyjnej Meta, a następnie zapoznać się z sześcioma interaktywnymi funkcjami, które pomogą Ci uczyć się mądrzej.
// Krok 1: Tworzenie nowego notatnika i dodawanie danych
Zanim NotebookLM będzie mógł nam pomóc, musimy przekazać mu informacje dotyczące naszego pytania podczas rozmowy kwalifikacyjnej. Zaczyna się od utworzenia nowego notatnika. Udaj się do Witryna NotebookLM i kliknij „Utwórz nowy notatnik”.
Zapyta cię o źródło.
Jak widać na zrzucie ekranu poniżej, dostępne są różne opcje.
- Dysk Google
- Strona internetowa
- Youtube
- Wklej tekst
Skorzystajmy z opcji „Wklej tekst” i wklejmy metadane pytania do rozmowy kwalifikacyjnej Meta. Oto informacje, które wstawimy w tym formacie wielokrotnego użytku.
Here is the question.
[paste question here]
It uses two datasets.
[paste dataset information here]
Here is the python solution.
[paste python solution here.]Następnie kliknij „Wstaw”, pokazany poniżej.
// Odkrywanie interaktywnego studia edukacyjnego
Poniżej znajduje się ekran, który otwiera się po naciśnięciu „Wstaw”. Po lewej stronie widzimy źródła. Pośrodku mamy LLM, który został przeszkolony na naszych danych. Po prawej stronie mamy „Studio” zawierające sześć różnych formatów nauki, które będziemy testować jeden po drugim.
Kliknijmy przycisk „W jaki sposób rozwiązanie Python wykorzystuje istniejące dane znajomych i stron do rekomendacji”, który znajduje się pod tekstem wejściowym pośrodku. To pytanie zostało wygenerowane przez NotebookLM.
Oto odpowiedź.
Jak widać wyjaśnia to całą koncepcję. Możesz także zapisać tę notatkę, klikając na końcu „Zapisz notatkę”. Notatki pojawią się następnie w sekcji „Studio” w następujący sposób.
Jeśli więc masz jakieś pytania związane z tym pytaniem podczas rozmowy kwalifikacyjnej, możesz skorzystać z LLM na środku poprzedniego ekranu, aby uzyskać odpowiedź. Przyjrzyjmy się sześciu funkcjom „Studio”, które czynią wszystko bardziej interesującym.
// Poznaj sześć funkcji edukacyjnych programu NotebookLM
W tej sekcji zobaczymy w akcji sześć funkcji edukacyjnych programu NotebookLM, pokazanych poniżej.
Każdy z nich pomaga zrozumieć pytanie zawarte w rozmowie kwalifikacyjnej Meta z innej perspektywy — poprzez dźwięk, wideo, materiały wizualne i interaktywną praktykę.
1. Wygeneruj przegląd audio
Kliknij „Przegląd dźwięku”.
Gdy to zrobisz, zobaczysz to powiadomienie w sekcji „Studio”, a przegląd plików audio będzie gotowy za kilka minut.
NotebookLM zamienia przesłane treści w rozmowę w stylu podcastu. Dwa głosy AI omawiają Twój problem tak, jakbyś słuchał programu przygotowującego do rozmowy kwalifikacyjnej. Rozbijają system rekomendacji Meta, wyjaśniają logikę i podkreślają przypadki Edge.
Możesz pobrać tę rozmowę i, co ciekawe, możesz także do niej dołączyć, klikając „Interaktywny”. Otworzy się wówczas poniższy ekran.
A kiedy klikniesz Dołącz, pojawi się komunikat „Witam, ktoś chce się przyłączyć”, umożliwiając Ci dołączenie do rozmowy. (Tak, naprawdę możesz dołączyć do rozmowy; jest ona aktualizowana w czasie rzeczywistym za pośrednictwem interfejsu API zamiany tekstu na mowę. Naprawdę futurystyczna funkcja!)
2. Wygeneruj podział wideo
Wróć do panelu „Studio” i kliknij „Przegląd wideo”. NotebookLM tworzy film, który wizualizuje dane i wyjaśnia rozwiązanie. W naszym przypadku film trwa 6 minut i 21 sekund.
W wygenerowanym filmie NotebookLM najpierw wyjaśnia szerszą koncepcję: w jaki sposób platformy mediów społecznościowych decydują, co polecić, zanim przejdziemy do naszego konkretnego problemu.
Następnie wygenerowany film omawia problem rozmowy kwalifikacyjnej, dzieląc go na części, zaczynając od tego kluczowego kroku pokazanego poniżej.
Następnie rozpoczyna się wyjaśnianie rozwiązania. Nie tylko powtarza to, co jest na ekranie; wyjaśnienia sięgają głęboko w koncepcję.
Na koniec dzieli rozwiązanie na etapy i wyjaśnia je za pomocą tych kroków.
3. Wizualnie zmapuj logikę
Wróć do panelu „Studio” i kliknij „Mapa myśli”.
NotebookLM generuje wizualne drzewo problemu. Zobaczmy jedno.
Całą strukturę problemu widzisz w jednym widoku: cel rekomendacji na górze, wymagane zbiory danych na środku i kroki rozwiązania na dole. Kliknijmy na jedną z nich, np. „Krok 1: Zidentyfikuj strony znajomych (Scal 1)”.
Jak widać, mapa myśli rozwija się, wyjaśniając krok 1. Możesz ją również pobrać.
4. Twórz raporty
Wróć do panelu Studio i kliknij „Raporty”. NotebookLM poprosi Cię o wybranie typu raportu, który chcesz utworzyć.
Wybierzmy opis problemu. Rozpocznie się generowanie raportu.
Oto instrukcja krok po kroku wyjaśniająca, jak rozwiązać to pytanie podczas rozmowy kwalifikacyjnej.
5. Wygeneruj fiszki
Wróć do panelu „Studio” i kliknij „Flashcards”. NotebookLM automatycznie generuje karty pytań i odpowiedzi. Zobaczmy jeden z nich.
A kiedy klikniesz na odpowiedź, oto wynik.
Kliknijmy „Wyjaśnij”. Aby odpowiedzieć na to pytanie w przypadku modeli Gemini, używa podpowiedzi.
Teraz zobaczmy wyniki.
6. Utwórz quiz
Wróć do panelu Studio i kliknij Quiz. NotebookLM generuje test praktyczny. Zróbmy to i zobaczmy pierwszy quiz.
Kliknijmy „Podpowiedź”.
Odpowiedź jest teraz oczywista. Wybierzmy to i zobaczmy, co się stanie.
Jeśli nadal masz pytania, kliknij „Wyjaśnij”. Przeniesie Cię do środkowej części, gdzie odpowiedzi udzieli LLM przeszkolony w zakresie naszego rozwiązania. Oto jest.
# Wniosek
Przygotowanie do rozmów kwalifikacyjnych nie oznacza rozwiązywania problemów podczas rozmowy kwalifikacyjnej w izolacji. Oznacza głębokie zrozumienie, jasną wizualizację i pewne wyjaśnienie. NotebookLM zamienia pojedyncze pytanie podczas rozmowy kwalifikacyjnej w wielozmysłowe doświadczenie edukacyjne, w tym audio, wideo, mapy wizualne, pisemne raporty i aktywne przypominanie.
Masz już umiejętności rozwiązywania problemów. Teraz masz system, który pozwala je organizować, wzmacniać i stawiać pod presją. Następnym razem, gdy zobaczysz trudne pytanie dotyczące SQL lub Pythona, nie panikuj; prześlij go, eksploruj i opanuj.
Nate’a Rosidiego jest analitykiem danych i strategią produktu. Jest także adiunktem wykładającym analitykę i założycielem StrataScratch, platformy pomagającej analitykom danych w przygotowaniu się do rozmów kwalifikacyjnych, wykorzystując prawdziwe pytania z rozmów kwalifikacyjnych zadawane przez czołowe firmy. Nate pisze o najnowszych trendach na rynku kariery, udziela porad dotyczących rozmów kwalifikacyjnych, dzieli się projektami z zakresu analityki danych i omawia wszystko związane z SQL.