يدعم ChatGPT Enterprise الآن قراءة المرئيات وفهمها (الصور، والرسوم البيانية، والمخططات، وما إلى ذلك) المضمّنة في ملفات PDF المدرجة في المطالبات. يمكن للمستخدمين تحميل ملف PDF، ويمكن لـ ChatGPT تفسير النص و أي عناصر مرئية داخل ذلك الملف.
للتفاصيل، راجع الأسئلة الشائعة حول الاسترجاع المرئي مع ملفات PDF.
يتيح لك ChatGPT Enterprise تحميل الملفات بعدة طرق:
يشرح هذا الدليل كيفية تعامل ميزات ChatGPT Enterprise مع الملفات حسب نوعها وعددها وحجمها، ويناقش استراتيجيات تحسين المخرجات وفقًا لمتطلبات الملفات.
ملخص
يتعامل ChatGPT Enterprise مع أنواع الملفات بطرق مختلفة للغاية؛ إذ يستخرج النص من المستندات النصية مثل ملفات PDF والعروض التقديمية وملفات Word، ويحلل البيانات المنظمة في جداول البيانات باستخدام تعليمات Python البرمجية، ويصف ملفات الصور عبر GPT للرؤية. إن فهم نوع الملف الذي يؤدي إلى تشغيل كل سير عمل هو مفتاح الحصول على النتيجة المتوقعة.
بالنسبة إلى المستندات النصية، يضمّن ChatGPT Enterprise أكبر قدر ممكن من النص ذي الصلة مباشرةً إلى جانب المطالبة، ويستخدم نظام بحث للوصول إلى معلومات إضافية. يناسب هذا النهج الإجابة عن أسئلة محددة. لكن قد يواجه هذا النهج صعوبة في المهام المعقدة، مثل تلخيص المستندات الضخمة جدًا أو مقارنة عدة ملفات كبيرة. تابع القراءة للتعرّف على استراتيجيات تحسين نتائجك.
التعامل مع الملفات حسب النوع
يعالج ChatGPT Enterprise الملفات بثلاث طرق رئيسية: استخراج النص وتحليل التعليمات البرمجية وتفسير الصور. يحدد نوع الملف سير العمل الذي يتبعه ChatGPT Enterprise.
| الاسترجاع القائم على النص | منفّذ التعليمات البرمجية | معالجة الصور | الاسترجاع المرئي | |
|---|---|---|---|---|
| أمثلة على أنواع الملفات | pptx، docx، txt، md، json، xml، pdf* * ملفات PDF المحمّلة بصفتها معرفة GPT أو ملفات مشروع | csv، xls، xlsx* *ملاحظة: يمكن لمنفّذ التعليمات البرمجية التعامل مع أي نوع من الملفات، لكن ChatGPT Enterprise يستخدمه افتراضيًا في الغالب مع جداول البيانات | jpg، png | pdf* * ملفات PDF المضمّنة في مطالبات المستخدمين |
| السلوك | يستخرج النص من الملف؛ فيُلصق («يُحشى») جزء منه مباشرةً في نطاق السياق، بينما يُخزَّن جزء آخر للبحث | يمرر منفّذ التعليمات البرمجية الملف إلى Python لمعالجته | تفسّر النماذج متعددة الأنماط الصور مباشرةً، مع مراعاة القيود المعروفة . | مزيج من استرجاع النص ومعالجة الصور. يُستخرج النص رقميًا، وتفسّر النماذج متعددة الأنماط المحتوى المرئي مباشرةً. |
بالنسبة إلى الملفات النصية فقط أو ملفات الصور أو ملفات البيانات المنظمة بوضوح (مثل جدول معاملات في Excel)، تمثل هذه الأقسام أفضل سلوك ممكن.
هناك بعض الحالات الرمادية الأقل وضوحًا، ومنها مثلًا:
لا تُعالج الصور المضمّنة في ملفات غير ملفات PDF. لتضمينها، حوّل الملف إلى PDF قبل تحميله.
سيستخدم ChatGPT Enterprise دائمًا منفّذ التعليمات البرمجية للتعامل مع جداول البيانات، حتى إذا كان المستند يحتوي على قدر كبير من النص. على سبيل المثال، إذا طلبت من ChatGPT Enterprise ترجمة ملف CSV يحتوي على 10 صفوف نصية، فسيحاول ترجمة الملف باستخدام مكتبة Python، وهي أقل دقة من السماح للنموذج بإنشاء الترجمة مباشرةً. للحد من ذلك، جرّب تصدير جدول البيانات إلى تنسيق نصي، مثل PDF.
وبالمثل، إذا حمّلت جدول معاملات منظمًا ضمن ملف JSON، فسيفسر ChatGPT Enterprise هذا الملف على أنه نص عادي. إذا أردت تحليل البيانات الموجودة في ملف JSON، فوجّه النموذج في مطالبتك إلى استخدام منفّذ التعليمات البرمجية.
التعامل مع الملفات حسب الحجم
يستخدم ChatGPT Enterprise نماذج ذات نطاق سياق أقصى يبلغ 128 ألف رمز (نحو 200 صفحة من النص). ومع ذلك، لا تُستخدم كل الرموز لإدراج النص من الملفات المحمّلة. يختلف عدد الرموز «المحشوة» بحسب نوع الاستخدام.
يقوم ChatGPT Enterprise «بحشو» قدر من النص، ويُرسل النص المتبقي إلى فهرس بحث خاص («مخزن متجهات»، وهو نوع من قواعد البيانات مصمم لتخزين كميات كبيرة من النص واسترجاعها بكفاءة). عندما تطرح سؤالًا، يجلب ChatGPT Enterprise النص المضمّن مع المقاطع ذات الصلة المسترجعة من فهرس بحث خاص.
إذا حمّلت مستندًا واحدًا، يضمّن ChatGPT Enterprise النص بدءًا من البداية حتى يبلغ حدّه. إذا حمّلت عدة مستندات، يضمّن ChatGPT Enterprise بعض كل مستند أو كله. ويُرسل كل النص من المستندات أيضًا إلى فهرس بحث خاص.
حشو السياق للمستندات النصية
هذه الميزة قيد التطوير النشط. لذلك، قد تتغير التفاصيل التالية دون إشعار.
يمكن لـ ChatGPT Enterprise معالجة ما يصل إلى 110 آلاف رمز من المستندات المحمّلة في نطاق السياق. إذا حمّلت مستندًا واحدًا أو أكثر بإجمالي مدمج يقل عن 110 آلاف رمز، فسيتم تضمين المحتوى الكامل.
بالنسبة إلى مستند واحد يتجاوز 110 آلاف رمز، لن يُضمَّن إلا أول 110 آلاف رمز، بدءًا من البداية. سيُرسل ما تبقى إلى فهرس البحث الخاص فقط.
إذا حُمّلت عدة مستندات وتجاوز إجماليها المدمج 110 آلاف رمز، يستخدم ChatGPT Enterprise عملية من خطوتين لموازنة تمثيل المستندات:
استخرج ما يصل إلى 55 ألف رمز، مقسّمة بالتساوي بين المستندات المحمّلة.
بالنسبة إلى المستندات غير الممثلة بالكامل في الخطوة الأولى، خصّص الـ 55 ألف رمز المتبقية بشكل متناسب بناءً على الرموز المتبقية في كل مستند.
تُرسل أي رموز متبقية إلى فهرس البحث الخاص فقط.
يمكنك تقدير عدد الرموز في مستند نصي بنسخ نص المستند إلى مُقسّم الرموز من OpenAI.
حشو السياق لملفات PDF متعددة الوسائط
عندما يحمّل المستخدمون ملفات PDF تحتوي على نصوص وصور، تتيح الاسترجاع المرئي لـ ChatGPT معالجة هذه الصور أصليًا إلى جانب النص المستخرج رقميًا. تُكمّل الخطوات التالية إجراءاتنا القياسية لمعالجة السياق لملفات PDF متعددة الوسائط:
استخراج الصور وتضمينها: تُستخرج الصور وتُضمَّن مع النص الرقمي المرتبط بها.
التحجيم الذكي: تُضبط أحجام الصور تلقائيًا للحفاظ على توازن بين جودة المعلومات والاستخدام الفعّال لنطاق السياق المتاح.
عندما تتجاوز ملفات PDF المحمّلة حد 110 آلاف رمز، تُضمَّن الصور والنصوص في فهرس البحث الخاص. تشير تضمينات النص إلى الصور ذات الصلة، مما يسمح لـ ChatGPT باسترجاع أزواج النص والصورة المناسبة بناءً على استعلامات المستخدم. ثم تُعالَج الصور المسترجعة باستخدام قدرات ChatGPT الأصلية المتعددة الأنماط.
يصعب تقدير متطلبات الرموز بدقة لملفات PDF متعددة الوسائط. تشير الاختبارات إلى أن نحو 350 صفحة من النصوص والصور المختلطة ستستخدم نطاق سياق 110 آلاف رمز بالكامل.
استراتيجيات البحث حسب نوع النموذج
تدعم كل من نماذج سلسلة GPT ونماذج سلسلة o تحميل الملفات، وتستخدم منطقًا متطابقًا لحشو السياق وتضمينات البحث. تنفّذ جميع النماذج عمليات بحث هجينة على فهرس بحث خاص، يجمع بين أساليب الكلمات المفتاحية والأساليب الدلالية. في البحث الهجين، ينشئ النموذج عبارة بحث بناءً على مطالبة المستخدم، ويسترجع فهرس البحث الخاص النصوص والصور ذات الصلة وفقًا لذلك.
ومع ذلك، تختلف هذه النماذج في طريقة بحثها داخل المستندات الكبيرة التي تتجاوز نطاق السياق:
نماذج سلسلة GPT
عملية بحث واحدة لكل مطالبة: تُجري نماذج سلسلة GPT عملية بحث واحدة لكل مطالبة من المستخدم.
حالات الاستخدام المناسبة: مثالية للإجابة عن الأسئلة المباشرة الواردة ضمن وثائق موسعة.
أمثلة على الاستعلامات:
«ما سياسة الموارد البشرية المتعلقة بالتقاعد المبكر؟»
«ما وظيفة الدالة process_order؟»
نماذج سلسلة o
عمليات بحث متعددة لكل مطالبة: يمكن تنفيذ عدة عمليات بحث (عادةً من عمليتين إلى ثلاث) لكل مطالبة من المستخدم، باستخدام عبارة بحث فريدة لكل منها. تُنفَّذ عمليات البحث بالتتابع، ويمكن للنموذج تعديل نهجه استنادًا إلى المعلومات المسترجعة في عمليات البحث السابقة.
حالات الاستخدام المناسبة: أنسب للأسئلة المعقدة التي تتطلب عدة عمليات بحث موجّهة ضمن وثائق موسعة.
أمثلة على الاستعلامات:
«ما سياسات الموارد البشرية المتعلقة بالتقاعد المبكر وإجازة الوالدين والنقل إلى الخارج؟»
«اشرح وظيفة الدالة process_order، واسرد جميع الأساليب التي تستدعيها، وقدّم وصفًا موجزًا لكل أسلوب منها.»
على الرغم من مزايا نماذج سلسلة o، فقد تواجه صعوبة عندما يتطلب الاستعلام أكثر من ثلاث عمليات بحث.
نصائح لتحسين نتائج البحث في الملفات
جرّب استخدام نموذج من سلسلة o للأسئلة المعقدة التي تتطلب عمليات بحث متعددة.
تذكّر أن الردود قد تختلف حسب نوع المستندات التي تحمّلها وعددها وحجمها.
عمومًا، سيؤدي تحميل عدد أقل من المستندات المركّزة إلى دقة أعلى.
حوّل الموضوعات متعددة الأسئلة إلى أسئلة منفردة:
إذا كنت بحاجة إلى معرفة سياسات الموارد البشرية في كل ولاية، فاسأل عنها واحدة تلو الأخرى.
إذا كنت بحاجة إلى تلخيص مستندات كثيرة، فاطلب مستندًا واحدًا في كل مرة. إذا كان ذلك المستند يتكون من مئات الصفحات الكثيرة، ففكّر في تقسيمه إلى مكونات أصغر.
يمكنك أن تطلب من ChatGPT Enterprise كتابة «ملخص للملخصات» إذا زوّدته بعدة ملخصات بدلًا من مستندات كاملة.
إذا كان لديك ملف CSV لطلب عرض RFP (كل سطر سؤال مختلف)، فاطرح تلك الأسئلة واحدًا تلو الآخر بدلًا من تحميل ملف CSV وطلب رد واحد.
ابحث عن طرق لتدقيق ردود النموذج. فيما يلي مثال على تعليمات GPT:
# السياق
أنت خبير في فهم المستندات. سيُرفق المستخدم مستندًا ويطرح سؤالًا. يجب أن يكون قادرًا على ربط إجابتك بالجزء الدقيق من النص الذي أخذت منه إجابتك.
# التعليمات
1. أجب عن سؤال المستخدم بناءً على المستند المرفق باستخدام التنسيق الدقيق الوارد أدناه
# التنسيق
- السؤال: { repeat user's question }
- الإجابة: { provide an answer to user's question }
المصدر:
- - رقم القسم: { provide section number where you pulled in the answer }
- - عنوان القسم: { provide section title where you pulled in the answer }
- - النص الدقيق: { provide the exact text where you pulled the answer from }
# القواعد
- قدّم إجابات واضحة وموجزة
- لا تقدّم إلا المعلومات الواردة في المستند
- إذا لم تتمكن من العثور على الإجابة في المستند، فأجب ببساطة «لم يتم العثور على معلومات.»