論文のシステムでナレッジベースを作った経験から、ナレッジベース型の AI プロジェクトが NotebookLM の導入に向いている場面を整理しました。
- 出発点は修士論文の「AI パラメトリック家具サポートボット」の実装経験。GPT のナレッジベースでは、データ構造を与えにくく、画像とテキストの関連の読み取りが弱く、改善のたびにコストがかかりました
- NotebookLM と Gemini を組み合わせ、パラメータや仕様記録の PDF を、対話でき出典をたどれるナレッジベースに。まず成果を出してから、エンジニアリングするかを決められます
- 導入に向いた四つのタイプ：文書量の多いサポート／エキスパートシステム、画像とテキストの照合が頻繁な研究・デザインプロジェクト、先に RAG を書きたくない個人開発者、文書がよく変わる社内ツール。それぞれの導入方法も添えました
- 判断のための 5 つのチェック項目（既存の文書が大量にあるか、知識が中心か、出典をたどれる回答が必要か、まず PoC をしたいか、ボトルネックはデータ整理か）：3 つ以上が「はい」なら導入する価値があります