ChatGPT Enterprise አሁን በእርምጃዎች ውስጥ በተካተቱ PDF ፋይሎች ያሉ ምስላዊ ይዘቶችን (ምስሎች፣ ግራፎች፣ ንድፎች፣ ወዘተ) ማንበብና መረዳት ይችላል። ተጠቃሚዎች PDF መስቀል ይችላሉ፤ ChatGPT ደግሞ በፋይሉ ውስጥ ያለውን ጽሑፍ እና ሁሉንም ምስላዊ ይዘቶች ሊተረጉም ይችላል።
ለዝርዝር መረጃ፣ ከPDF ምስላዊ መረጃ ፈልጎ ስለማምጣት ተደጋጋሚ ጥያቄዎችን ይመልከቱ።
ChatGPT Enterprise ፋይሎችን በተለያዩ መንገዶች እንዲሰቅሉ ያስችልዎታል፦
ይህ መመሪያ የChatGPT Enterprise ባህሪያት ፋይሎችን እንደ ዓይነታቸው፣ ብዛታቸው እና መጠናቸው እንዴት እንደሚያስተናግዱ ያብራራል፤ እንዲሁም የፋይሎችን መስፈርቶች ከግምት በማስገባት ውጤቶችን ለማሻሻል የሚረዱ ስልቶችን ይዳስሳል።
ማጠቃለያ
ChatGPT Enterprise የተለያዩ የፋይል ዓይነቶችን በእጅጉ በተለያዩ መንገዶች ያስተናግዳል፦ እንደ PDF፣ የዝግጅት ማቅረቢያ እና Word ፋይሎች ካሉ ሰነዶች ጽሑፍ ያወጣል፣ በPython ኮድ አማካኝነት በተመን ሉሆች ውስጥ ያለ የተዋቀረ ውሂብን ይተነትናል፣ እንዲሁም በGPT-Vision አማካኝነት የምስል ፋይሎችን ይገልጻል። የትኛው የፋይል ዓይነት የትኛውን የአሠራር ሂደት እንደሚያስከትል መረዳት፣ የሚጠብቁትን ውጤት ለማግኘት ቁልፍ ነው።
በጽሑፍ ላይ ለተመሠረቱ ሰነዶች፣ ChatGPT Enterprise በተቻለ መጠን ብዙ ተዛማጅ ጽሑፍን ከእርምጃው ጋር በቀጥታ ያካትታል፤ ተጨማሪ መረጃ ለማግኘት ደግሞ የፍለጋ ሥርዓት ይጠቀማል። ይህ የተወሰኑ ጥያቄዎችን ለመመለስ በሚገባ ይሠራል። ሆኖም፣ ይህ አቀራረብ እጅግ ትልልቅ ሰነዶችን ማጠቃለል ወይም በርካታ ትልልቅ ፋይሎችን ማነጻጸር በመሳሰሉ ውስብስብ ተግባራት ላይ ሊቸገር ይችላል። ውጤቶችዎን ለማሻሻል የሚረዱ ስልቶችን ለማወቅ ማንበብዎን ይቀጥሉ።
ፋይሎችን እንደ ዓይነታቸው ማስተናገድ
ChatGPT Enterprise ፋይሎችን በሦስት ዋና መንገዶች ያቀናብራል፦ ጽሑፍ በማውጣት፣ በኮድ በመተንተን እና ምስሎችን በመተርጎም። ChatGPT Enterprise የትኛውን የአሠራር ሂደት እንደሚከተል የሚወስነው የፋይሉ ዓይነት ነው።
| በጽሑፍ ላይ የተመሠረተ መረጃ ፈልጎ ማምጣት | ኮድ ተርጓሚ | ምስል ማቀናበር | ምስላዊ መረጃ ፈልጎ ማምጣት | |
|---|---|---|---|---|
| የፋይል ዓይነት ምሳሌዎች | pptx, docx, txt, md, json, xml, pdf* * እንደ GPT ዕውቀት ወይም ፕሮጀክት ፋይሎች የተሰቀሉ PDF | csv, xls, xlsx* *ማስታወሻ፦ ኮድ ተርጓሚ በማንኛውም የፋይል ዓይነት ላይ ሊሠራ ይችላል፤ ሆኖም ChatGPT Enterprise ለተመን ሉሆች በአብዛኛው በነባሪነት ኮድ ተርጓሚን (CI) ይጠቀማል | jpg, png | pdf* * በተጠቃሚ እርምጃዎች ውስጥ የተካተቱ PDF |
| አሠራር | ከፋይሉ ጽሑፍ ያወጣል፤ ከጽሑፉ የተወሰነው በቀጥታ በአውድ መስኮቱ ውስጥ ይለጠፋል («ይሞላል»)፤ የተወሰነው ደግሞ ለፍለጋ ይቀመጣል | ኮድ ተርጓሚ ፋይሉን ለማቀናበር ወደ Python ያስተላልፋል | ምስሎች በባለብዙ ሞዳል ሞዴሎች በቀጥታ ይተረጎማሉ፤ ሆኖም የታወቁ ገደቦች አሉባቸው። | ጽሑፍን ፈልጎ ማምጣትና ምስልን ማቀናበር የሚያጣምር አሠራር ነው። ጽሑፉ በዲጂታል መንገድ ይወጣል፤ ምስላዊ ይዘቱ ደግሞ በባለብዙ ሞዳል ሞዴሎች በቀጥታ ይተረጎማል። |
ጽሑፍ ብቻ ላላቸው ፋይሎች፣ ለምስል ፋይሎች ወይም በግልጽ መንገድ ለተዋቀሩ የውሂብ ፋይሎች (ለምሳሌ፣ የግብይቶች Excel ሠንጠረዥ)፣ እነዚህ የአሠራር ክፍፍሎች ሊገኝ የሚችለውን ምርጥ ውጤት ይሰጣሉ።
በቀላሉ ግልጽ የማይሆኑ አንዳንድ ሁኔታዎችም አሉ፤ ለምሳሌ፦
ከPDF ውጭ ባሉ ፋይሎች ውስጥ የተካተቱ ምስሎች አይቀናበሩም። እነሱን ለማካተት፣ ፋይሉን ከመስቀልዎ በፊት ወደ PDF ይቀይሩት።
ሰነዱ ብዙ ጽሑፍ ቢይዝም እንኳን፣ ChatGPT Enterprise ከተመን ሉሆች ጋር ለመሥራት ሁልጊዜ ኮድ ተርጓሚን ይጠቀማል። ለምሳሌ፣ ChatGPT Enterprise 10 ረድፎች ጽሑፍ ያለውን የCSV ፋይል እንዲተረጉም ከጠየቁት፣ የPython ላይብረሪ ተጠቅሞ ለመተርጎም ይሞክራል። ይህ ግን ሞዴሉ ትርጉሙን በቀጥታ እንዲያመነጭ ከማድረግ ያነሰ ትክክለኛነት አለው። ይህንን ችግር ለመቀነስ፣ የተመን ሉሁን በጽሑፍ ላይ በተመሠረተ ቅርጸት (ለምሳሌ PDF) ወደ ውጭ ለመላክ ይሞክሩ።
በተመሳሳይ፣ በJSON ፋይል ውስጥ ያለ የተዋቀረ የግብይት ሠንጠረዥ ከሰቀሉ፣ ChatGPT Enterprise ይህንን ፋይል እንደ ተራ ጽሑፍ ይመለከተዋል። በJSON ፋይል ውስጥ ያለውን ውሂብ መተንተን ከፈለጉ፣ በእርምጃዎ ውስጥ ሞዴሉ ኮድ ተርጓሚን እንዲጠቀም ይመሩት።
በመጠን መሠረት ፋይሎችን መያዝ
ChatGPT Enterprise ከፍተኛው የአውድ መስኮት 128k tokens (በግምት 200 ገጾች ጽሑፍ) ያላቸውን ሞዴሎች ይጠቀማል። ሆኖም፣ ሁሉም tokens ከተሰቀሉ ፋይሎች የሚመጣውን ጽሑፍ ለማካተት አይውሉም። የ«ተጨመቁ» tokens ብዛት በአጠቃቀም አይነት መሠረት ይለያያል።
ChatGPT Enterprise የተወሰነ መጠን ጽሑፍ «ያስገባል»፣ የቀረው ጽሑፍ ደግሞ ወደ የግል የፍለጋ መረጃ ጠቋሚ («vector store»፣ ብዙ ጽሑፍን በብቃት ለማከማቸት እና ለማምጣት የተነደፈ የዳታቤዝ አይነት) ይላካል። ጥያቄ ሲጠይቁ፣ ChatGPT Enterprise ከተካተተው ጽሑፍ ጋር ከግል የፍለጋ መረጃ ጠቋሚ የተገኙ ተዛማጅ ክፍሎችን ያመጣል።
አንድ ሰነድ ብቻ ከሰቀሉ፣ ChatGPT Enterprise ከመጀመሪያው ጀምሮ ገደቡን እስኪደርስ ድረስ ጽሑፍን ያካትታል። ብዙ ሰነዶችን ከሰቀሉ፣ ChatGPT Enterprise ከእያንዳንዱ ሰነድ የተወሰነውን ወይም ሁሉንም ያካትታል። ከሰነዶቹ የሚገኘው ሁሉም ጽሑፍ ወደ የግል የፍለጋ መረጃ ጠቋሚም ይላካል።
ለጽሑፍ ሰነዶች የአውድ ማስገባት
ይህ ባህሪ በንቃት እየተገነባ ነው። ስለዚህ፣ የሚከተሉት ዝርዝሮች ያለ ቅድመ ማስታወቂያ ሊቀየሩ ይችላሉ።
ChatGPT Enterprise ከተሰቀሉ ሰነዶች እስከ 110 ሺህ token በአውድ መስኮቱ ውስጥ ማቀናበር ይችላል። በድምሩ ከ110 ሺህ token ያነሱ አንድ ወይም ከዚያ በላይ ሰነዶችን ከሰቀሉ፣ ሙሉ ይዘታቸው ይካተታል።
አንድ ሰነድ ከ110 ሺህ token በላይ ከሆነ፣ ከመጀመሪያው ያሉት 110 ሺህ token ብቻ ይካተታሉ። ቀሪው ይዘት ወደ ግል የፍለጋ መረጃ ጠቋሚው ብቻ ይላካል።
ብዙ ሰነዶች ተሰቅለው ድምራቸው ከ110 ሺህ token በላይ ከሆነ፣ ChatGPT Enterprise ከእያንዳንዱ ሰነድ የሚካተተውን ይዘት ለማመጣጠን የሚከተለውን ሂደት ይጠቀማል፦
እስከ 55 ሺህ token ያወጣል፤ ይህንንም መጠን በተሰቀሉት ሰነዶች መካከል በእኩል ይከፋፍላል።
በመጀመሪያው ደረጃ ሙሉ ይዘታቸው ላልተካተተ ሰነዶች፣ ቀሪውን 55 ሺህ token በእያንዳንዱ ሰነድ ውስጥ ከቀሩት token ብዛት ጋር በተመጣጣኝ ይመድባል።
የቀሩት token በሙሉ ወደ ግል የፍለጋ መረጃ ጠቋሚው ብቻ ይላካሉ።
የጽሑፍ ሰነድ ስንት token እንዳለው ለመገመት፣ የሰነዱን ጽሑፍ ቀድተው በOpenAI የtoken መከፋፈያ ውስጥ መለጠፍ ይችላሉ።
የመልቲሚዲያ PDF ይዘትን ወደ አውድ መስኮት ማስገባት
ተጠቃሚዎች ጽሑፍና ምስሎች ያሏቸውን PDF ሲሰቅሉ፣ ምስላዊ መረጃ ፈልጎ ማምጣት ChatGPT እነዚህን ምስሎች በዲጂታል መንገድ ከወጣው ጽሑፍ ጋር በራሱ አቅም እንዲያቀናብር ያስችለዋል። ለመልቲሚዲያ PDF የሚከተሉት ደረጃዎች መደበኛውን አውድ የማስተናገድ ሂደታችንን ያሟላሉ፦
ምስሎችን ማውጣት እና ማካተት፦ ምስሎች ከሰነዱ ወጥተው ከተያያዘው ዲጂታል ጽሑፍ ጋር ይካተታሉ።
ብልህ የመጠን ማስተካከያ፦ የመረጃውን ጥራት ከማስጠበቅ ጋር በተመጣጠነ ሁኔታ ያለውን የአውድ መስኮት በብቃት ለመጠቀም፣ የምስሎች መጠን በራስ-ሰር ይስተካከላል።
የተሰቀሉ PDF ከ110 ሺህ token ገደብ ሲበልጡ፣ ምስሎችም ሆኑ ጽሑፎች በቁጥር ውክልና መልክ በግል የፍለጋ መረጃ ጠቋሚው ውስጥ ይካተታሉ። የጽሑፍ የቁጥር ውክልናዎች ወደ ተዛማጅ ምስሎች ይጠቁማሉ፤ ይህም ChatGPT በተጠቃሚው ጥያቄዎች መሠረት ተገቢውን የጽሑፍና ምስል ጥንድ ፈልጎ እንዲያመጣ ያስችለዋል። ከዚያም የተገኙት ምስሎች ChatGPT በራሱ ባሉት ባለብዙ ሞዳል አቅሞች ይቀናበራሉ።
ለመልቲሚዲያ PDF ምን ያህል token እንደሚያስፈልግ በትክክል መገመት አስቸጋሪ ነው። ሙከራዎች እንደሚያመለክቱት፣ ጽሑፍና ምስሎች የተቀላቀሉባቸው ወደ 350 ገጾች የ110 ሺህ token የአውድ መስኮትን ሙሉ በሙሉ ይሞላሉ።
በሞዴል አይነት ላይ የተመሠረቱ የፍለጋ ስትራቴጂዎች
ሁለቱም የGPT-series እና የo-series ሞዴሎች ፋይል መስቀልን ይደግፋሉ፣ እና ተመሳሳይ የአውድ ማስገባት እና የፍለጋ ኢምቤዲንግ ሎጂክን ይጠቀማሉ። ሁሉም ሞዴሎች የቁልፍ ቃል እና ሴማንቲክ ዘዴዎችን በማዋሃድ በግል የፍለጋ መረጃ ጠቋሚ ላይ ሃይብሪድ ፍለጋዎችን ያከናውናሉ። በሃይብሪድ ፍለጋ ውስጥ፣ ሞዴሉ በተጠቃሚው እርምጃ ላይ ተመስርቶ የፍለጋ ሐረግ ያመነጫል፣ እና የግል የፍለጋ መረጃ ጠቋሚው ተዛማጅ ጽሑፍ እና ምስሎችን በዚሁ መሠረት ያመጣል።
ሆኖም፣ እነዚህ ሞዴሎች የአውድ መስኮቱን ከሚበልጡ ትላልቅ ሰነዶች ውስጥ በሚፈልጉበት መንገድ ይለያያሉ፦
የGPT-series ሞዴሎች
በአንድ እርምጃ አንድ ፍለጋ፦ የGPT-series ሞዴሎች ለእያንዳንዱ የተጠቃሚ እርምጃ አንድ ፍለጋ ያከናውናሉ።
ውጤታማ የአጠቃቀም ሁኔታዎች፦ በሰፊ ሰነዶች ውስጥ ለሚገኙ ቀጥተኛ ጥያቄዎች መልስ ለመስጠት ተመራጭ ናቸው።
የጥያቄ ምሳሌዎች፦
«ቀደም ብሎ ጡረታ ስለመውጣት ያለው የሰው ኃይል ፖሊሲ ምንድን ነው?»
«የprocess_order ፋንክሽን ምን ይሠራል?»
የo-series ሞዴሎች
በአንድ እርምጃ ብዙ ፍለጋዎች፦ ለእያንዳንዱ የተጠቃሚ እርምጃ ልዩ የፍለጋ ሐረግ በመጠቀም ብዙ ፍለጋዎችን (በተለምዶ 2-3) ማከናወን ይችላሉ። ፍለጋዎቹ በቅደም ተከተል ይከናወናሉ፤ ሞዴሉም ከቀደሙ ፍለጋዎች በተገኘ መረጃ መሠረት አቀራረቡን ማሻሻል ይችላል።
ውጤታማ የአጠቃቀም ሁኔታዎች፦ በሰፊ ሰነዶች ውስጥ ብዙ የታለሙ ፍለጋዎችን ለሚፈልጉ ውስብስብ ጥያቄዎች ይበልጥ ተስማሚ ናቸው።
የጥያቄ ምሳሌዎች፦
«ቀደም ብሎ ጡረታ ስለመውጣት፣ ስለወላጅነት ፈቃድ እና ወደ ውጭ አገር ስለመዛወር ያሉት የሰው ኃይል ፖሊሲዎች ምንድን ናቸው?»
«የprocess_order ፋንክሽን ምን እንደሚሠራ ያብራሩ፣ ይህ ፋንክሽን የሚጠራቸውን ሁሉንም ሜተዶች ይዘርዝሩ እና እያንዳንዱን በአጭሩ ይግለጹ።»
የo-series ሞዴሎች ጠንካራ ቢሆኑም፣ ጥያቄው ከሦስት በላይ ፍለጋዎችን ሲፈልግ ሊቸገሩ ይችላሉ።
የፋይል ፍለጋ ውጤቶችን ለማሻሻል ጠቃሚ ምክሮች
ብዙ ፍለጋዎችን ለሚፈልጉ ውስብስብ ጥያቄዎች የo-series ሞዴል መጠቀምን ይሞክሩ።
ምላሾች በሚሰቅሏቸው ሰነዶች አይነት፣ ብዛት እና መጠን መሠረት ሊለያዩ እንደሚችሉ ያስታውሱ።
በአጠቃላይ፣ ጥቂት እና ትኩረት ያላቸው ሰነዶችን መጫን ወደ ከፍተኛ ትክክለኛነት ይመራል።
ባለብዙ-ጥያቄ ርዕሶችን ወደ ነጠላ ጥያቄዎች ይቀይሩ፦
የእያንዳንዱ ግዛት የHR ፖሊሲዎችን ማወቅ ካስፈለገዎት፣ አንድ በአንድ ይጠይቁ።
ብዙ ሰነዶችን ማጠቃለል ካስፈለገዎት፣ በአንድ ጊዜ አንድ ሰነድ ይጠይቁ። ያ ሰነድ በመቶዎች የሚቆጠሩ ብዙ ገጾች ካሉት፣ ወደ ትንንሽ ክፍሎች መከፋፈሉን ያስቡ።
ሙሉ ሰነዶችን ከመስጠት ይልቅ ብዙ ማጠቃለያዎችን ከሰጡት፣ ChatGPT Enterprise «የማጠቃለያዎች ማጠቃለያ» እንዲጽፍ መጠየቅ ይችላሉ።
የRFP ያለው CSV ካለዎት (እያንዳንዱ መስመር የተለየ ጥያቄ ነው)፣ CSVውን ብቻ ከመጫን እና አንድ ምላሽ ከመጠየቅ ይልቅ እነዚያን ጥያቄዎች አንድ በአንድ ይጠይቁ።
የሞዴሉን ምላሾች ለመመርመር መንገዶችን ያግኙ። የGPT መመሪያ ምሳሌዎች ከታች አሉ፦
# ኮንቴክስት
እርስዎ ሰነዶችን በመረዳት ረገድ ባለሙያ ነዎት። ተጠቃሚው አንድ ሰነድ ሊያያይዝ እና ጥያቄ ሊጠይቅ ነው። መልስዎን ከየትኛው ትክክለኛ የጽሑፉ ክፍል እንደወሰዱ መልሰው ማገናኘት መቻል አለባቸው።
# መመሪያዎች
1. ከታች በተሰጠው ትክክለኛ ቅርጸት በመጠቀም በተጠቃሚው የተያያዘ ሰነድ ላይ ተመስርተው የተጠቃሚውን ጥያቄ ይመልሱ
# ቅርጸት
- ጥያቄ: { የተጠቃሚውን ጥያቄ ይድገሙ }
- መልስ: { ለተጠቃሚው ጥያቄ መልስ ያቅርቡ }
ምንጭ:
- - የክፍል ቁጥር: { መልሱን ያገኙበትን የክፍል ቁጥር ያቅርቡ }
- - የክፍል ርዕስ: { መልሱን ያገኙበትን የክፍል ርዕስ ያቅርቡ }
- - ትክክለኛ ጽሑፍ: { መልሱን የወሰዱበትን ትክክለኛ ጽሑፍ ያቅርቡ }
# ህጎች
- ግልጽ እና አጭር የሆኑ መልሶችን ይስጡ
- በሰነዱ ውስጥ የተሰጠ መረጃ ብቻ ያቅርቡ
- መልሱን በሰነዱ ውስጥ ማግኘት ካልቻሉ፣ በቀላሉ “ምንም መረጃ አልተገኘም።” ብለው ይመልሱ