Saya menggunakan eksekusi kode NotebookLM dan saya belum siap untuk melihat seberapa baik hasilnya
Tidak banyak alat AI yang sering saya bicarakan, dan NotebookLM adalah salah satu dari sedikit pengecualian. Sejak hari pertama, NotebookLM Google telah membuat saya terkesan dengan konsep yang mendasarinya: mendasarkan segala sesuatu pada sumber Anda sendiri alih-alih mengambil jawaban begitu saja. Tidak seperti banyak alat lain yang hanya membuat saya terkesan dan kehilangan seluruh daya tariknya, tim terus menemukan cara baru untuk mendapatkan pujian. Ikhtisar Video, Dek Slide, Peta Pikiran, Infografis, dan masih banyak lagi. Meskipun sebagian besar saya hanya mengatakan hal-hal baik tentang alat ini, pembaruan terkini adalah salah satu dari beberapa momen di mana saya sangat vokal tentang kekecewaan saya terhadap alat tersebut. NotebookLM sepertinya bukan NotebookLM lagi dalam banyak hal, dan saya terus merasa seperti Google mencoba mengubahnya menjadi Gemini (atau GeminiBookLM, begitu saya menyebutnya). Namun, salah satu dari beberapa bagian pembaruan ini yang tidak dapat saya salahkan adalah eksekusi kode. Setelah mengujinya, saya benar-benar terkesan, sampai-sampai saya memberikannya tugas yang biasanya saya lakukan sendiri dan menontonnya, tidak hanya mengikuti, tetapi menangkap sesuatu yang saya lewatkan. Ya, NotebookLM sekarang dapat menulis dan menjalankan kode GeminiBookLM, namun membuatnya berguna Mengingat saya memiliki akses awal ke pembaruan NotebookLM khusus ini, saya ingat betapa bingungnya mengapa Google merasa perlu menambahkan eksekusi kode ke alat yang mereka pasarkan sebagai asisten peneliti. Coba pikirkan, itu tidak masuk akal. Inti dari NotebookLM adalah membaca sumber Anda dan menjawabnya, bukan membuka terminal dan mulai menjalankan skrip. Eksekusi kode terasa seperti solusi dalam mencari masalah, dan jenis fitur yang ditambahkan karena model dapat melakukannya, bukan karena diminta oleh siapa pun. Mulai pembaruan tanggal 8 Juni, setiap notebook kini dilengkapi dengan komputer cloud yang aman, memungkinkan NotebookLM menulis dan menjalankan kode untuk penelitian lebih dalam dan analisis lebih kompleks. Kini terdapat lingkungan terisolasi dan terkotak pasir yang terikat pada setiap buku catatan tempat alat tersebut menulis skrip (biasanya Python), menjalankannya, dan mengembalikan hasilnya kepada Anda. Itulah yang menggesernya dari mendeskripsikan angka menjadi menghitung. Terkait Insinyur di balik fitur-fitur terbaik NotebookLM menunjukkan kepada saya pengaturan persisnya, dan itu mengubah segalanya. 198 artikel kemudian, saya akhirnya bertanya kepada tim bagaimana mereka sebenarnya menggunakannya. Yang menggerakkan semua ini adalah perubahan di balik terpal. NotebookLM kini berjalan pada Gemini 3.5 dan Antigravity, memberikan informasi yang lebih akurat dan andal serta visibilitas yang lebih baik ke dalam proses berpikir. Komputer cloud adalah tempat kode dieksekusi dan Gemini 3.5 plus Antigravity memungkinkannya merencanakan dan mendorong eksekusi tersebut. Di atas VM terdapat lebih dari 100 keterampilan perangkat lunak yang dikurasi, yang merupakan kemampuan bawaan yang dapat dicapai alat ini di tengah tugas dengan mencari tahu mana yang dibutuhkan pekerjaan. Google mengatakan imbalannya muncul dalam tolok ukurnya sendiri: tingkat kemenangan rata-rata lebih dari 65% dibandingkan sistem sebelumnya di lima dimensi evaluasi teratasnya, termasuk 69,9% pada analisis dokumen besar dan 78,2% pada penelitian web tingkat lanjut dan penemuan sumber. Hasilnya jauh lebih baik daripada yang semestinya. Skeptisisme saya tidak bertahan dalam pengujian pertama Saya menggunakan NotebookLM sejak awal berdirinya Google Labs, dan saya tahu betul apa kelebihannya dan di mana kelemahannya. Saya sudah mencoba menggunakannya untuk pemrograman (saya juga tidak tahu kenapa), dan hasilnya tidak bagus. Saya juga sudah menggunakannya untuk banyak analisis data sebelumnya, dan hasilnya juga tidak terlalu bagus. Jadi saya memulai pengujian saya dengan ekspektasi yang cukup rendah. Untuk memulai pengujian saya, saya memberikannya sesuatu yang nyata. Semester saya baru saja berakhir, dan sesuatu yang saya tuju ke sekelompok LLM adalah mencari tahu bagaimana nilai saya bisa turun sebelum hasil resmi keluar dengan memasukkan lembar hasil kelas dan menanyakan seperti apa kurvanya. Ini adalah jenis tugas yang terdengar sederhana namun sebenarnya tidak. Saya menyerahkan lembar nilai sesi dari salah satu mata kuliah saya (36 siswa, nilai mentah pada kuis, presentasi, tugas, dan ujian) dan memintanya untuk mengusulkan batasan nilai berdasarkan kurva. Yang terpenting, saya sengaja memberikannya lembaran yang berantakan. Ada siswa yang tidak hadir yang ditandai sebagai “A”, beberapa sel “Tidak dicoba”, dan satu entri bertuliskan “14 (Ambil Ulang)” alih-alih nomor bersih. Saya ingin melihat apakah mereka benar-benar memperhitungkan kekacauan itu atau hanya diam-diam menutupinya. Hal pertama yang membuat saya terkesan bukanlah angka sama sekali. Ia memperhatikannya dan berpikir, apa yang juga didapat NotebookLM dengan pembaruan baru ini. Alih-alih langsung menjawab, NotebookLM menelusuri pembersihan data dengan lantang, memberi tahu saya cara menangani setiap sel yang berantakan: baris mana yang dikecualikan, baris mana yang dipaksa ke nol, dan alasannya. Ketika hal ini menimpa siswa yang tidak hadir sama sekali, hal ini akan menandainya dan menariknya keluar dari kurva, bukannya membiarkan serangkaian angka nol menyeret rata-rata kelasnya ke bawah. Setiap keputusan penghakiman dinyatakan dan tidak disembunyikan. Kemudian ia menangkap sesuatu yang belum saya tangkap. Total nilai seorang siswa tidak dijumlahkan, dan alih-alih mengabaikannya, NotebookLM menelusuri penyebabnya: nilai tengah semesternya dimasukkan sebagai “14 (Pengambilan Ulang),” dan karena berupa teks, SUM di spreadsheet secara diam-diam membacanya sebagai nol dan mempersingkat nilai total akhirnya sebanyak 14 nilai. Alih-alih hanya melihat perbedaannya dan melaporkan kembali kepada saya, ia menjelaskan mekanismenya, merekonstruksi jumlah total yang seharusnya, dan kemudian menghitung ulang seluruh analisis pada angka yang telah dikoreksi. Menariknya, saya tidak memintanya untuk mengaudit lembar tersebut. Ia melakukannya sendiri, di tengah tugas yang berbeda. Dari sana ia melakukan pekerjaan sebenarnya yang saya minta, dan melakukannya secara menyeluruh. Ini menjalankan statistik deskriptif, menghitung tiga model penilaian yang berbeda (mutlak, kurva rata-rata dan deviasi standar, dan berbasis peringkat) dan memaparkan distribusi nilai yang dihasilkan untuk masing-masing model. Ini menghasilkan histogram dengan batas-batas yang ditandai dan mengekspor semuanya sebagai laporan PDF yang bersih dan diketik. Lembar nilai bersifat pribadi, tetapi saya ingin melihat bagaimana lembar tersebut menangani jenis data yang saya gunakan secara profesional. Jadi saya memberikannya sesuatu yang lebih besar dan lebih berantakan: data lalu lintas perangkat lunak XDA selama sebulan. Ini adalah 147 artikel yang diterbitkan dalam dua minggu, dengan 23 kolom melacak sesi aktif, durasi kunjungan rata-rata, jumlah kata, pemisahan perangkat, pengelompokan geografis, dan tag konten. Ini adalah jenis lembaran yang biasanya saya habiskan di sore hari, dan hal yang tidak pernah saya percayai sepenuhnya pada LLM, karena angka yang salah terkubur dalam ringkasan lebih buruk daripada tidak ada angka sama sekali. Sekali lagi, langkah pembersihan adalah tempat ia menunjukkan kerjanya. Ini menandai bahwa persentase seluler dan desktop tidak berjumlah 100% di seluruh kumpulan data, menunjukkan bahwa 2,7% yang hilang adalah lalu lintas tablet atau perangkat lain yang tidak diatribusikan, dan meminta saya untuk tidak membaca pembagian seluler dan desktop seolah-olah itu adalah gambaran keseluruhan. Analisis itu sendiri tahan terhadap pengawasan. Ini menampilkan pengguna dengan kinerja terbaik dan terbawah berdasarkan lalu lintas dan keterlibatan, melakukan perbandingan dari minggu ke minggu (penurunan sebesar 15,9% dalam total sesi yang secara tepat dikaitkan dengan melemahnya jangkauan tingkat menengah dibandingkan dengan keluaran yang lebih rendah), dan menjalankan korelasi aktual daripada mengamatinya. Ia juga menemukan beberapa statistik menarik, dan meskipun saya akan meninggalkannya dari sini, itu adalah temuan yang tidak akan saya munculkan sendiri tanpa menggalinya di sore hari. NotebookLM akhirnya bekerja melalui data Anda. Yang menonjol dalam pengujian saya adalah tempat eksekusi kode tersebut berada. Dalam kedua pengujian tersebut, yang membuat saya terkesan bukanlah karena ia menampilkan angka-angkanya, namun ia menangkap hal-hal yang tidak pernah diminta untuk dicari. Naluri menangkap kesalahan itulah yang membuatnya jauh lebih kuat dalam mendeteksi tren dibandingkan sebelumnya. Sebelumnya, NotebookLM dapat memberi tahu Anda isi data Anda. Sekarang, ia dapat menangkap kesalahan data Anda, dan memunculkan pola yang tidak akan pernah Anda temukan tanpa benar-benar menghitung angkanya. Karena semua ini berjalan di dalam NotebookLM, hasilnya akan diterima di tempat Anda bekerja. Anda dapat memintanya untuk menghasilkan bagan, laporan, peta pikiran, Ikhtisar Audio, dan keluaran lainnya langsung ke panel Studio, sehingga Anda beralih dari lembar yang berantakan ke hasil penyusunan huruf yang bersih tanpa harus meninggalkan alat tersebut. Ini adalah alur kerja yang sangat kuat, dan mengubah NotebookLM dari alat yang Anda gunakan untuk membaca menjadi alat yang benar-benar dapat Anda kerjakan.
Diterbitkan : 2026-07-07 10:00:00
sumber : www.xda-developers.com
