يدعم ChatGPT Enterprise الآن قراءة العناصر المرئية وفهمها، مثل الصور والرسوم البيانية والمخططات، داخل ملفات PDF المرفقة بالمطالبات. يمكن للمستخدمين رفع ملف PDF، وسيتمكّن ChatGPT من تفسير النص وكذلك أي عناصر مرئية داخل الملف.
للتفاصيل، راجع: الأسئلة الشائعة حول الاسترجاع المرئي في ملفات PDF.
يتيح لك ChatGPT Enterprise رفع الملفات بعدة طرق:
مباشرةً من جهاز الكمبيوتر
بصفتها مصادر معرفة لـ GPT
بصفتها ملفات مشروع
من خلال إجراء GPT
يوضّح هذا الدليل كيفية تعامل ميزات ChatGPT Enterprise مع الملفات حسب نوعها وعددها وحجمها، ويستعرض استراتيجيات لتحسين المخرجات وفقًا لمتطلبات الملفات.
ملخص
تختلف طريقة تعامل ChatGPT Enterprise مع الملفات كثيرًا باختلاف نوعها: فهو يستخرج النصوص من المستندات النصية مثل ملفات PDF والعروض التقديمية وملفات Word، ويحلّل البيانات المنظَّمة في جداول البيانات باستخدام تعليمات Python البرمجية، ويصف ملفات الصور عبر GPT-Vision. للحصول على النتيجة المتوقعة، من الضروري فهم مسار العمل الذي يُفعَّله كل نوع من أنواع الملفات.
بالنسبة إلى المستندات النصية، يُدرِج ChatGPT Enterprise أكبر قدر ممكن من النص ذي الصلة مباشرةً إلى جانب المطالبة، ويستخدم نظام بحث للوصول إلى معلومات إضافية. تنجح هذه الطريقة في الإجابة عن أسئلة محددة. لكنها قد تواجه صعوبة في المهام المعقّدة، مثل تلخيص مستندات كبيرة جدًا أو مقارنة عدة ملفات كبيرة. تابع القراءة للتعرّف على استراتيجيات تحسين نتائجك.
التعامل مع الملفات حسب نوعها
يعالج ChatGPT Enterprise الملفات بثلاث طرق رئيسية: استخراج النصوص، والتحليل باستخدام التعليمات البرمجية، وتفسير الصور. يحدّد نوع الملف مسار العمل الذي يتّبعه ChatGPT Enterprise.
| الاسترجاع النصي | منفّذ التعليمات البرمجية | معالجة الصور | الاسترجاع المرئي | |
|---|---|---|---|---|
| أمثلة على أنواع الملفات | pptx, docx, txt, md, json, xml, pdf* * ملفات PDF المرفوعة بصفتها مصادر معرفة لـ GPT أو ملفات مشروع | csv, xls, xlsx* *ملاحظة: يمكن لمنفّذ التعليمات البرمجية التعامل مع أي نوع من الملفات، لكن ChatGPT Enterprise يستخدمه افتراضيًا في أغلب الأحيان لمعالجة جداول البيانات | jpg, png | pdf* * ملفات PDF المرفقة بمطالبات المستخدم |
| آلية العمل | يستخرج النص من الملف، ثم يلصق جزءًا منه (أي «يُدرجه») مباشرةً في نطاق السياق، ويخزّن جزءًا آخر للبحث | يمرّر منفّذ التعليمات البرمجية الملف إلى Python لمعالجته | تفسّر النماذج متعددة الأنماط الصور بقدراتها المدمجة، مع مراعاة القيود المعروفة . | يجمع بين الاسترجاع النصي ومعالجة الصور. يُستخرَج النص رقميًا، وتفسّر النماذج متعددة الأنماط المحتوى المرئي بقدراتها المدمجة. |
بالنسبة إلى الملفات النصية البحتة أو ملفات الصور أو ملفات البيانات المنظَّمة بوضوح (مثل جدول معاملات في Excel)، يتيح هذا التقسيم أفضل معالجة ممكنة.
لكن هناك بعض الحالات التي لا يكون فيها الأمر واضحًا تمامًا، مثل:
لا تُعالَج الصور المضمَّنة في ملفات بتنسيقات غير PDF. لتضمينها في المعالجة، حوّل الملف إلى PDF قبل رفعه.
يستخدم ChatGPT Enterprise دائمًا منفّذ التعليمات البرمجية للتعامل مع جداول البيانات، حتى إن احتوى المستند على كمية كبيرة من النصوص. على سبيل المثال، إذا طلبت من ChatGPT Enterprise ترجمة ملف CSV يحتوي على 10 صفوف من النصوص، فسيحاول ترجمته باستخدام مكتبة Python، وهي طريقة أقل دقة من السماح للنموذج بإنشاء الترجمة مباشرةً. للحدّ من هذه المشكلة، جرّب تصدير جدول البيانات بتنسيق نصي (مثل PDF).
وبالمثل، إذا رفعت جدول معاملات منظَّمًا داخل ملف JSON، فسيتعامل ChatGPT Enterprise مع الملف كنص عادي. إذا أردت تحليل البيانات الموجودة في ملف JSON، فاطلب من النموذج في مطالبتك 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 المرفوعة ضمن نطاق السياق. إذا رفعت مستندًا واحدًا أو أكثر بإجمالي يقل عن 110 آلاف رمز، فسيُدرَج المحتوى بالكامل.
إذا تجاوز مستند واحد 110 آلاف رمز، فلن يُدرَج منه سوى أول 110 آلاف رمز، بدءًا من بدايته. أما الباقي، فسيُرسَل إلى فهرس البحث الخاص فقط.
إذا رُفعت عدة مستندات يتجاوز إجمالي رموزها 110 آلاف رمز، فإن ChatGPT Enterprise يتّبع الخطوات التالية لتحقيق التوازن في تمثيل المستندات:
استخراج ما يصل إلى 55 ألف رمز، موزّعة بالتساوي بين المستندات المرفوعة.
تخصيص الـ 55 ألف رمز المتبقية للمستندات التي لم تُمثَّل بالكامل في الخطوة الأولى، بالتناسب مع عدد الرموز المتبقية في كل مستند.
إرسال أي رموز متبقية إلى فهرس البحث الخاص فقط.
يمكنك تقدير عدد الرموز في مستند نصي بنسخ نصه إلى أداة تقسيم النص إلى رموز من OpenAI.
إدراج محتوى ملفات PDF متعددة الوسائط في السياق
عندما يرفع المستخدمون ملفات PDF تحتوي على نصوص وصور، تتيح ميزة الاسترجاع المرئي لـ ChatGPT معالجة هذه الصور بقدراته المدمجة، إلى جانب النص المستخرج رقميًا. تُكمّل الخطوات التالية إجراءاتنا المعتادة للتعامل مع السياق عند معالجة ملفات PDF متعددة الوسائط:
استخراج الصور وتضمينها: تُستخرَج الصور وتُضمَّن مع النص الرقمي المرتبط بها.
التحجيم الذكي: تُعدَّل أحجام الصور تلقائيًا لتحقيق التوازن بين جودة المعلومات وكفاءة استخدام نطاق السياق المتاح.
عندما تتجاوز ملفات PDF المرفوعة حدّ 110 آلاف رمز، تُضمَّن الصور والنصوص معًا في فهرس البحث الخاص. تتضمن التضمينات النصية مراجع للصور ذات الصلة، مما يتيح لـ ChatGPT استرجاع النصوص والصور المرتبطة بها بما يناسب استفسارات المستخدم. تُعالَج الصور المسترجعة بعد ذلك باستخدام قدرات ChatGPT المدمجة متعددة الأنماط.
يصعب تقدير عدد الرموز اللازمة لملفات PDF متعددة الوسائط بدقة. تشير الاختبارات إلى أن نحو 350 صفحة تجمع بين النصوص والصور تستهلك كامل نطاق السياق البالغ 110 آلاف رمز.
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.»