Google Play Books에서 산 전자책을 Gemini Notebook 소스로 넣는 Expert Intelligence를 정리한다. 출판사 10만 권 참여와 소유 기반 통제, 직무 교육용 노트북을 외부 지식과 사내 자료로 설계하는 방법과 도입 시 확인할 점을 담았다.
Google이 2026년 8월 27일 Expert Intelligence: a new way for you to engage with trusted content를 발표했습니다. Google Play Books에서 구매한 전자책을 Gemini Notebook의 소스로 넣어 책 내용에 근거한 답을 받는 기능입니다. 코텍시스는 이 발표를 기업교육 관점에서 읽습니다. 검증된 외부 지식과 사내 자료를 한 노트북에서 묶는 일이 가능해졌고, 이것이 직무 교육용 노트북 설계의 기본 단위가 될 수 있기 때문입니다.
발표 내용
Bloomsbury, De Gruyter Brill, Johns Hopkins University Press, Macmillan, O'Reilly Media, Penguin Random House 등 주요 출판사의 책 10만 권 이상으로 시작합니다. Steven Pinker, Michael Pollan 등 15명 넘는 저자와 함께 책에 추가 소스와 자료를 붙인 Featured Notebooks도 만들었습니다. 책을 노트북에 넣으면 질의응답과 함께 인포그래픽, Audio Overview, 퀴즈 생성을 책 내용에 근거해 할 수 있습니다.
출처: Google, Expert Intelligence: a new way for you to engage with trusted content
| 항목 | 내용 |
|---|---|
| 이용 조건 | Play Books에서 해당 책을 구매한 계정만 소스로 추가 가능 |
| 공유 노트북 | 협업자는 각자 책을 구매해야 내용에 접근. 미구매 시 해당 소스는 비활성 |
| 적격 확인 | Play Books 도서 상세의 Tools 배지에 Gemini Notebook 표시 |
| 확장 계획 | Gemini 앱, Search의 AI Mode, 제3자 구독·비즈니스 리서치 리포트·교과서 |
어떤 직군이 어떻게 쓰는지
대표 사례는 원문에 나온 팀장의 피드백 준비입니다. Kim Scott의 Radical Candor를 소스로 넣고 어려운 대화를 어떻게 풀지 물으면 책의 해당 대목을 인용해 답합니다. 여기에 자기 팀의 1on1 기록을 함께 넣으면 자기 팀 상황에 맞는 조언이 나옵니다. O'Reilly가 포함된 점은 개발 직군에 의미가 큽니다. 기술서 한 권과 사내 코드 규약을 한 노트북에 넣는 구성이 가능합니다.
출처: Google, Expert Intelligence: a new way for you to engage with trusted content
교육 커리큘럼에 반영할 점
코텍시스의 판단은 직무 교육용 노트북을 검증된 외부 지식 한 권과 사내 자료의 조합으로 설계하라는 것입니다. 교육에서 다룰 것은 어떤 책을 기준 소스로 삼을지 고르는 안목, 사내 자료와 섞였을 때 답변의 출처를 확인하는 습관, 책의 조언을 자기 업무 문맥으로 옮겨 적는 훈련입니다.
도입 시 확인할 것
- 라이선스는 개인 구매 단위입니다. 팀 단위로 책을 배포하는 구조가 없으므로 교육 예산에서 도서 구매를 어떻게 처리할지 정해야 합니다.
- 국내 Play Books에서 해당 도서가 적격인지 먼저 확인합니다. 무료 도서 제공은 미국 한정입니다.
- 사내 자료를 함께 올릴 때의 데이터 처리 조건은 Workspace 계약 조건을 따릅니다.
원문은 Expert Intelligence: a new way for you to engage with trusted content에서 볼 수 있습니다.
코텍시스 창업자로 AX 컨설팅과 기업 AI 교육, AI 에이전트 개발을 직접 수행합니다.
코텍시스 AI 인사이트 최신 논문 리뷰
AWQ 양자화: 활성값을 보고 가중치를 지키는 4비트 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.team에서 맞춤 AI 개발 서비스를 확인하세요.
