ChatGPT Enterprise አሁን በእርምጃዎች ውስጥ በተካተቱ PDF ፋይሎች ውስጥ የተካተቱ እይታዊ ነገሮችን (ምስሎች፣ ግራፎች፣ ዲያግራሞች፣ ወዘተ) ማንበብ እና መረዳትን አሁን ይደግፋል። ተጠቃሚዎች PDF መስቀል ይችላሉ፣ እና ChatGPT በዚያ ፋይል ውስጥ ያለውን ጽሑፍ እና ማንኛውንም እይታዊ ክፍሎች መተርጎም ይችላል።
ለዝርዝሮች በPDFs የእይታ መፈለጊያ FAQን ይመልከቱ።
ChatGPT Enterprise ፋይሎችን በበርካታ መንገዶች እንዲሰቅሉ ያስችልዎታል፦
በቀጥታ ከኮምፒውተርዎ
እንደ የGPT እውቀት
እንደ የፕሮጀክት ፋይል
ይህ መመሪያ የChatGPT Enterprise ባህሪያት ፋይሎችን በአይነታቸው፣ በብዛታቸው እና በመጠናቸው መሠረት እንዴት እንደሚይዙ ያብራራል፣ እንዲሁም በፋይል ፍላጎቶች መሠረት ውጤቶችን ለማሻሻል ስትራቴጂዎችን ያብራራል።
ማጠቃለያ
ChatGPT Enterprise የተለያዩ የፋይል አይነቶችን በጣም በተለያየ መንገድ ይይዛል፦ እንደ PDFs፣ Presentations እና Word ፋይሎች ካሉ የጽሑፍ ሰነዶች ጽሑፍ ማውጣት፣ ከስፕሬድሺቶች የተዋቀረ ውሂብን በPython ኮድ መተንተን፣ እና የምስል ፋይሎችን በGPT-Vision መግለጽ። የትኛው የፋይል አይነት የትኛውን የሥራ ፍሰት እንደሚጀምር መረዳት የተጠበቀውን ውጤት ለማግኘት ቁልፍ ነው።
ለጽሑፍ-ተመሠረት ሰነዶች፣ ChatGPT Enterprise በተቻለ መጠን ብዙ ተዛማጅ ጽሑፍን ከእርምጃው ጎን በቀጥታ ያካትታል፣ እና ተጨማሪ መረጃ ለመድረስ የፍለጋ ስርዓት ይጠቀማል። ይህ ለተወሰኑ ጥያቄዎች መልስ ለመስጠት ጥሩ ይሰራል። ሆኖም፣ ይህ አቀራረብ እጅግ ትላልቅ ሰነዶችን ማጠቃለል ወይም ብዙ ትላልቅ ፋይሎችን ማነጻጸር ከሚመስሉ ውስብስብ ተግባሮች ጋር ሊቸገር ይችላል። ውጤቶችዎን ለማሻሻል ስትራቴጂዎችን ለመረዳት ቀጥለው ያንብቡ።
በአይነት መሠረት ፋይሎችን መያዝ
ChatGPT Enterprise ፋይሎችን በሦስት ዋና መንገዶች ያቀናብራል፦ ጽሑፍ ማውጣት፣ የኮድ ትንተና፣ እና የምስል ትርጓሜ። ChatGPT Enterprise የሚከተለውን የሥራ ፍሰት የሚወስነው የፋይል አይነት ነው።
| በጽሑፍ-ተመሠረት መፈለጊያ | ኮድ ተርጓሚ | ምስል ማቀናበር | የእይታ መፈለጊያ | |
|---|---|---|---|---|
| የፋይል አይነት ምሳሌዎች | pptx, docx, txt, md, json, xml, pdf* * እንደ የGPT እውቀት ወይም የፕሮጀክት ፋይሎች የተሰቀሉ PDFs | csv, xls, xlsx* *ማስታወሻ፦ ኮድ ተርጓሚ በማንኛውም የፋይል አይነት ላይ ሊሰራ ይችላል፣ ግን ChatGPT Enterprise በአብዛኛው ለስፕሬድሺቶች በነባሪነት CIን ይጠቀማል | jpg, png | pdf* * በተጠቃሚ እርምጃዎች ውስጥ የተካተቱ PDFs |
| ባህሪ | ጽሑፉን ከፋይሉ ያወጣል – ከጽሑፉ የተወሰነው በቀጥታ ወደ የአውድ መስኮት ይለጠፋል («ይጨመቃል»)፤ ከጽሑፉ የተወሰነው ለፍለጋ ይከማቻል | ኮድ ተርጓሚ ፋይሉን ለማቀናበር ወደ Python ያስተላልፋል | ምስሎች በባለብዙ ሞዳል ሞዴሎች በተፈጥሯዊ ሁኔታ ይተረጎማሉ፣ ይህም በ የታወቁ ገደቦች ይገዛል። | የጽሑፍ መፈለጊያ እና የምስል ማቀናበር ድብልቅ። ጽሑፍ በዲጂታል ይወጣል፣ እና እይታዊ ይዘት በባለብዙ ሞዳል ሞዴሎች በተፈጥሯዊ ሁኔታ ይተረጎማል። |
ለጽሑፍ-ብቻ ፋይሎች፣ ምስል ፋይሎች፣ ወይም በግልጽ የተዋቀሩ የውሂብ ፋይሎች (ለምሳሌ፣ የግብይቶች Excel ሰንጠረዥ)፣ እነዚህ ክፍፍሎች በተቻለ መጠን ምርጡን ባህሪ ይወክላሉ።
ያነሰ ግልጽ የሆኑ አንዳንድ ግራጫ አካባቢዎች አሉ፣ ለምሳሌ፦
ከPDFs ውጭ ባሉ ፋይሎች ውስጥ የተካተቱ ምስሎች አይቀናበሩም። እነሱን ለማካተት፣ ከመስቀልዎ በፊት ፋይሉን ወደ PDF ይቀይሩ።
ሰነዱ ብዙ ጽሑፍ ቢይዝም፣ ChatGPT Enterprise ከስፕሬድሺቶች ጋር ለመገናኘት ሁልጊዜ ኮድ ተርጓሚን ይጠቀማል። ለምሳሌ፣ ChatGPT Enterprise 10 ረድፎች ጽሑፍ ያለውን CSV ፋይል እንዲተረጉም ከጠየቁት፣ ፋይሉን በPython ላይብረሪ በመጠቀም ለመተርጎም ይሞክራል፤ ይህም ሞዴሉ ትርጉምን በቀጥታ እንዲያመነጭ ከመፍቀድ ያነሰ ትክክለኛ ነው። ይህንን ለመቀነስ፣ ስፕሬድሺቱን ወደ ጽሑፍ-ተመሠረት ቅርጸት (ለምሳሌ PDF) ለመላክ ይሞክሩ።
በተመሳሳይ፣ በJSON ፋይል ውስጥ የተገለጸ የተዋቀረ የግብይት ሰንጠረዥ ከሰቀሉ፣ ChatGPT Enterprise ይህን ፋይል እንደ ቀላል ጽሑፍ ይተረጉመዋል። በJSON ፋይል ውስጥ ያለውን ውሂብ መተንተን ከፈለጉ፣ በእርምጃዎ ውስጥ ሞዴሉ ኮድ ተርጓሚን እንዲጠቀም ያዝዙት።
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 110k tokens በየአውድ መስኮቱ ውስጥ ማቀናበር ይችላል። ድምሩ ከ110k tokens በታች የሆኑ አንድ ወይም ከዚያ በላይ ሰነዶችን ከሰቀሉ፣ ሙሉ ይዘቱ ይካተታል።
ከ110k tokens በላይ ለሆነ አንድ ሰነድ፣ ከመጀመሪያው ጀምሮ የመጀመሪያዎቹ 110k tokens ብቻ ይካተታሉ። የቀረው ወደ የግል የፍለጋ መረጃ ጠቋሚ ብቻ ይላካል።
ብዙ ሰነዶች ከተሰቀሉ እና የጋራ ድምራቸው ከ110k tokens በላይ ከሆነ፣ ChatGPT Enterprise የሰነድ ውክልናን ለማመጣጠን ሁለት-ደረጃ ሂደት ይጠቀማል፦
እስከ 55k tokens ያውጡ፣ በተሰቀሉት ሰነዶች መካከል በእኩል የተከፋፈሉ።
በመጀመሪያው ደረጃ ሙሉ በሙሉ ላልተወከሉ ሰነዶች፣ ቀሪዎቹን 55k tokens በእያንዳንዱ ሰነድ ውስጥ በቀሩት tokens ላይ ተመስርቶ በተመጣጣኝ መጠን ይመድቡ።
ማንኛውም የቀሩ tokens ወደ የግል የፍለጋ መረጃ ጠቋሚ ብቻ ይላካሉ።
በጽሑፍ ሰነድ ውስጥ ያሉ tokens ብዛትን፣ የሰነዱን ጽሑፍ ወደ OpenAI Tokenizer በመቅዳት መገመት ይችላሉ።
ለባለመልቲሚዲያ PDFs የአውድ ማስገባት
ተጠቃሚዎች ጽሑፍና ምስሎችን የያዙ PDFs ሲሰቅሉ፣ የእይታ መፈለጊያ ChatGPT እነዚህን ምስሎች ከዲጂታል ከተወጣ ጽሑፍ ጋር በተፈጥሯዊ ሁኔታ እንዲያቀናብር ያስችለዋል። የሚከተሉት ደረጃዎች ለባለመልቲሚዲያ PDFs መደበኛ የአውድ አያያዝ ሂደቶቻችንን ያጠናክራሉ፦
ምስል ማውጣት እና ኢምቤዲንግ፦ ምስሎች ከተዛማጅ ዲጂታል ጽሑፋቸው ጋር ይወጣሉ እና ይካተታሉ።
ብልህ መመጠን፦ ምስሎች በመረጃ ጥራት እና በሚገኘው የአውድ መስኮት ብቁ አጠቃቀም መካከል ሚዛን ለመጠበቅ በራስ-ሰር ይመጠናሉ።
የተሰቀሉ PDFs የ110k token ገደብን ሲበልጡ፣ ምስሎችም ጽሑፍም በግል የፍለጋ መረጃ ጠቋሚ ውስጥ ይካተታሉ። የጽሑፍ ኢምቤዲንጎች ተዛማጅ ምስሎችን ያመለክታሉ፣ ይህም ChatGPT በተጠቃሚ ጥያቄዎች መሠረት ተገቢዎቹን የጽሑፍ-ምስል ጥንዶች እንዲያመጣ ያስችለዋል። የተገኙ ምስሎች ከዚያ በChatGPT ተፈጥሯዊ ባለብዙ ሞዳል ችሎታዎች ይቀናበራሉ።
ለባለመልቲሚዲያ PDFs የtoken ፍላጎትን በትክክል መገመት አስቸጋሪ ነው። ሙከራዎች በግምት 350 ገጾች የተቀላቀለ ጽሑፍና ምስሎች የ110k token የአውድ መስኮትን ሙሉ በሙሉ እንደሚጠቀሙ ያመለክታሉ።
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 በእያንዳንዱ የተጠቃሚ እርምጃ አንድ ፍለጋ ያከናውናሉ።
ውጤታማ የአጠቃቀም ሁኔታዎች፦ በሰፊ ሰነዶች ውስጥ ለተካተቱ ቀጥተኛ ጥያቄዎች መልስ ለመስጠት ተስማሚ ነው።
የጥያቄ ምሳሌዎች፦
«ለቀደመ ጡረታ የHR ፖሊሲ ምንድነው?»
«የ
process_orderፋንክሽን ምን ያደርጋል?»
የo-series ሞዴሎች
በአንድ እርምጃ ብዙ ፍለጋዎች፦ በእያንዳንዱ የተጠቃሚ እርምጃ ብዙ ፍለጋዎችን (በአብዛኛው 2-3) ማከናወን ይችላል፤ እያንዳንዱም ልዩ የፍለጋ ሐረግ አለው። ፍለጋዎች በቅደም ተከተል ይከናወናሉ፣ ሞዴሉም በቀደሙ ፍለጋዎች ከተገኘ መረጃ መሠረት አቀራረቡን ማዘመን ይችላል።
ውጤታማ የአጠቃቀም ሁኔታዎች፦ በሰፊ ሰነዶች ውስጥ ብዙ የተወሰኑ ፍለጋዎችን ለሚፈልጉ ውስብስብ ጥያቄዎች ይበልጥ ተስማሚ ነው።
የጥያቄ ምሳሌዎች፦
«ለቀደመ ጡረታ፣ ለወላጅነት ፈቃድ እና ለውጭ አገር ዝውውር የHR ፖሊሲዎች ምንድናቸው?»
«የ
process_orderፋንክሽን ምን እንደሚያደርግ ያብራሩ፣ በዚህ ፋንክሽን የሚጠሩ ሁሉንም ሜተዶች ዘርዝሩ፣ እና እያንዳንዱን የተጠራ ሜተድ በአጭሩ ይግለጹ።»
ጥንካሬዎቻቸው ቢኖሩም፣ የo-series ሞዴሎች አንድ ጥያቄ 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