ChatGPT Enterprise اکنون از خواندن و درک عناصر بصری (تصویر، نمودار، دیاگرام و غیره) در فایل‌های PDF پیوست‌شده به اعلان‌ها پشتیبانی می‌کند. کاربران می‌توانند یک PDF بارگذاری کنند و ChatGPT می‌تواند متن و تمام عناصر بصری داخل آن فایل را تفسیر کند.
برای جزئیات، ببینید: پرسش‌های متداول دربارهٔ بازیابی بصری در PDFها.
ChatGPT Enterprise به شما امکان می‌دهد فایل‌ها را به چند روش بارگذاری کنید:
مستقیماً از رایانهٔ خود
به‌عنوان دانش GPT
به‌عنوان فایل پروژه
از طریق یک اکشن GPT
این راهنما توضیح می‌دهد که قابلیت‌های ChatGPT Enterprise چگونه فایل‌ها را بر اساس نوع، تعداد و اندازهٔ آن‌ها پردازش می‌کنند و راهکارهایی برای بهبود خروجی‌ها متناسب با نیازهای هر فایل ارائه می‌دهد.
خلاصه
ChatGPT Enterprise انواع فایل‌ها را به روش‌های بسیار متفاوتی پردازش می‌کند: متن را از اسناد متنی مانند PDFها، فایل‌های ارائه و Word استخراج می‌کند، داده‌های ساختاریافتهٔ صفحه‌گسترده‌ها را با کد پایتون تحلیل می‌کند و فایل‌های تصویری را با GPT-Vision توصیف می‌کند. برای رسیدن به نتیجهٔ مورد انتظار، باید بدانید هر نوع فایل کدام روند پردازش را فعال می‌کند.
برای اسناد متنی، ChatGPT Enterprise تا حد امکان متن مرتبط را مستقیماً در کنار اعلان قرار می‌دهد و برای دسترسی به اطلاعات بیشتر از یک سامانهٔ جست‌وجو استفاده می‌کند. این روش برای پاسخ دادن به پرسش‌های مشخص به‌خوبی کار می‌کند. بااین‌حال، این رویکرد ممکن است در کارهای پیچیده‌ای مانند خلاصه‌سازی اسناد بسیار حجیم یا مقایسهٔ چند فایل بزرگ با مشکل روبه‌رو شود. در ادامه با راهکارهای بهبود نتایج آشنا شوید.
پردازش فایل‌ها بر اساس نوع
ChatGPT Enterprise فایل‌ها را به سه روش اصلی پردازش می‌کند: استخراج متن، تحلیل با کد و تفسیر تصویر. نوع فایل تعیین می‌کند که ChatGPT Enterprise کدام روند پردازش را دنبال کند.
| بازیابی مبتنی بر متن | مفسر کد | پردازش تصویر | بازیابی بصری | |
|---|---|---|---|---|
| نمونه‌هایی از انواع فایل | pptx, docx, txt, md, json, xml, pdf* * PDFهایی که به‌عنوان دانش GPT یا فایل‌های پروژه بارگذاری می‌شوند | csv, xls, xlsx* *توجه: مفسر کد می‌تواند با هر نوع فایلی کار کند، اما ChatGPT Enterprise معمولاً برای صفحه‌گسترده‌ها به‌طور پیش‌فرض از مفسر کد استفاده می‌کند | jpg, png | pdf* * PDFهای پیوست‌شده به اعلان‌های کاربر |
| نحوهٔ عملکرد | متن را از فایل استخراج می‌کند؛ بخشی از متن مستقیماً در پنجره زمینه درج می‌شود («جای داده می‌شود») و بخشی برای جست‌وجو ذخیره می‌شود | مفسر کد فایل را برای پردازش به پایتون می‌فرستد | تصاویر مستقیماً توسط مدل‌های چند مدال تفسیر می‌شوند، با در نظر گرفتن محدودیت‌های شناخته‌شده. | ترکیبی از بازیابی متن و پردازش تصویر. متن به روش دیجیتال استخراج می‌شود و محتوای بصری مستقیماً توسط مدل‌های چند مدال تفسیر می‌شود. |
برای فایل‌های صرفاً متنی، فایل‌های تصویری یا فایل‌های داده با ساختار مشخص (مثلاً جدول تراکنش‌ها در اکسل)، این تقسیم‌بندی بهترین عملکرد ممکن را فراهم می‌کند.
در برخی موارد، مرز این دسته‌بندی‌ها چندان روشن نیست؛ برای مثال:
تصاویر موجود در فایل‌هایی با قالبی غیر از PDF پردازش نمی‌شوند. برای اینکه این تصاویر هم پردازش شوند، پیش از بارگذاری، فایل را به PDF تبدیل کنید.
ChatGPT Enterprise همیشه برای کار با صفحه‌گسترده‌ها از مفسر کد استفاده می‌کند، حتی اگر سند حاوی مقدار زیادی متن باشد. برای مثال، اگر از ChatGPT Enterprise بخواهید یک فایل CSV با ۱۰ ردیف متن را ترجمه کند، تلاش می‌کند فایل را با استفاده از یک کتابخانهٔ پایتون ترجمه کند؛ این روش دقت کمتری نسبت به ترجمهٔ مستقیم توسط مدل دارد. برای کاهش این مشکل، از صفحه‌گسترده در یک قالب متنی (مثلاً PDF) خروجی بگیرید.
به همین ترتیب، اگر یک جدول ساختاریافتهٔ تراکنش‌ها را در قالب فایل JSON بارگذاری کنید، ChatGPT Enterprise این فایل را متن ساده در نظر می‌گیرد. اگر می‌خواهید داده‌های موجود در یک فایل JSON را تحلیل کنید، در اعلان خود از مدل بخواهید از مفسر کد استفاده کند.
مدیریت فایل‌ها بر اساس اندازه
ChatGPT Enterprise از مدل‌هایی با حداکثر پنجره زمینه ۱۲۸هزار توکن (تقریباً ۲۰۰ صفحه متن) استفاده می‌کند. با این حال، همه توکن‌ها برای گنجاندن متن فایل‌های بارگذاری‌شده استفاده نمی‌شوند. تعداد توکن‌های «گنجانده‌شده» بسته به نوع استفاده متفاوت است.
ChatGPT Enterprise مقداری از متن را «می‌گنجاند» و متن باقی‌مانده به یک نمایه جستجوی خصوصی ارسال می‌شود (یک «ذخیره‌ساز برداری» که نوعی پایگاه داده است و برای ذخیره و بازیابی کارآمد حجم زیادی از متن طراحی شده است). وقتی پرسشی می‌پرسید، ChatGPT Enterprise متن گنجانده‌شده را همراه با بخش‌های مرتبطی که از یک نمایه جستجوی خصوصی بازیابی شده‌اند وارد می‌کند.
اگر یک سند واحد بارگذاری کنید، ChatGPT Enterprise متن را از ابتدای سند تا رسیدن به حد خود شامل می‌کند. اگر چند سند بارگذاری کنید، ChatGPT Enterprise بخشی یا تمام هر سند را شامل می‌کند. همه متن اسناد نیز به یک نمایه جستجوی خصوصی ارسال می‌شود.
گنجاندن زمینه برای اسناد متنی
این قابلیت در حال توسعه فعال است. بنابراین، جزئیات زیر ممکن است بدون اطلاع قبلی تغییر کنند.
ChatGPT Enterprise می‌تواند تا ۱۱۰ هزار توکن از اسناد بارگذاری‌شده را در پنجره زمینه پردازش کند. اگر یک یا چند سند بارگذاری کنید که مجموع توکن‌های آن‌ها کمتر از ۱۱۰ هزار باشد، کل محتوای آن‌ها در پنجره زمینه قرار می‌گیرد.
اگر یک سند بیش از ۱۱۰ هزار توکن داشته باشد، فقط ۱۱۰ هزار توکن اول آن، از ابتدای سند، در پنجره زمینه قرار می‌گیرد. باقی محتوا فقط به نمایهٔ جست‌وجوی خصوصی فرستاده می‌شود.
اگر چند سند بارگذاری شود و مجموع توکن‌های آن‌ها از ۱۱۰ هزار بیشتر باشد، ChatGPT Enterprise برای متعادل نگه داشتن سهم اسناد از پنجره زمینه، روند زیر را دنبال می‌کند:
تا ۵۵ هزار توکن استخراج می‌کند و این سهم را به‌طور مساوی بین اسناد بارگذاری‌شده تقسیم می‌کند.
برای اسنادی که در مرحلهٔ اول به‌طور کامل در پنجره زمینه قرار نگرفته‌اند، سهم ۵۵ هزار توکن باقی‌مانده را متناسب با تعداد توکن‌های باقی‌مانده در هر سند اختصاص می‌دهد.
هر توکن باقی‌مانده فقط به نمایهٔ جست‌وجوی خصوصی فرستاده می‌شود.
می‌توانید با کپی کردن متن سند در ابزار توکن‌سازی OpenAI، تعداد توکن‌های یک سند متنی را تخمین بزنید.
جای‌دادن محتوای PDFهای چندرسانه‌ای در پنجره زمینه
وقتی کاربران PDFهایی حاوی متن و تصویر بارگذاری می‌کنند، قابلیت بازیابی بصری به ChatGPT امکان می‌دهد این تصاویر را مستقیماً در کنار متن استخراج‌شده به روش دیجیتال پردازش کند. برای PDFهای چندرسانه‌ای، مراحل زیر به رویه‌های استاندارد مدیریت زمینهٔ ما اضافه می‌شود:
استخراج و تعبیهٔ تصاویر: تصاویر استخراج می‌شوند و همراه با متن دیجیتال مرتبط با آن‌ها تعبیه می‌شوند.
تغییر اندازهٔ هوشمند: اندازهٔ تصاویر به‌طور خودکار تغییر می‌کند تا بین کیفیت اطلاعات و استفادهٔ بهینه از پنجره زمینهٔ موجود تعادل برقرار شود.
وقتی PDFهای بارگذاری‌شده از سقف ۱۱۰ هزار توکن فراتر می‌روند، هم تصاویر و هم متن در نمایهٔ جست‌وجوی خصوصی تعبیه می‌شوند. بردارهای تعبیهٔ متن به تصاویر مرتبط ارجاع می‌دهند و به ChatGPT امکان می‌دهند جفت‌های متن و تصویر مناسب را بر اساس پرسش‌های کاربر بازیابی کند. سپس تصاویر بازیابی‌شده با استفاده از قابلیت‌های چندوجهی داخلی ChatGPT پردازش می‌شوند.
تخمین دقیق تعداد توکن‌های موردنیاز برای PDFهای چندرسانه‌ای دشوار است. آزمایش‌ها نشان می‌دهند که حدود ۳۵۰ صفحه حاوی ترکیبی از متن و تصویر، تمام ظرفیت پنجره زمینهٔ ۱۱۰ هزار توکنی را پر می‌کند.
راهبردهای جستجو بر اساس نوع مدل
هر دو مدل‌های سری GPT و سری o از بارگذاری فایل پشتیبانی می‌کنند و از منطق یکسانی برای گنجاندن زمینه و جاسازی جستجو استفاده می‌کنند. همه مدل‌ها جستجوهای ترکیبی را روی یک نمایه جستجوی خصوصی اجرا می‌کنند و روش‌های کلیدواژه‌ای و معنایی را با هم ترکیب می‌کنند. در یک جستجوی ترکیبی، مدل بر اساس اعلان کاربر یک عبارت جستجو تولید می‌کند و نمایه جستجوی خصوصی متن‌ها و تصاویر مرتبط را مطابق آن بازیابی می‌کند.
با این حال، این مدل‌ها در نحوه جستجو در اسناد بزرگی که از پنجره زمینه فراتر می‌روند متفاوت‌اند:
مدل‌های سری GPT
یک جست‌وجو برای هر اعلان: مدل‌های سری GPT برای هر اعلان کاربر یک جست‌وجو انجام می‌دهند.
کاربردهای مناسب: برای پاسخ‌دادن به پرسش‌های ساده‌ای که پاسخشان در مستندات گسترده قرار دارد، ایدئال است.
نمونه پرسش‌ها:
«سیاست منابع انسانی درباره بازنشستگی پیش از موعد چیست؟»
«تابع process_order چه کاری انجام می‌دهد؟»
مدل‌های سری o
چند جست‌وجو برای هر اعلان: می‌تواند برای هر اعلان کاربر چند جست‌وجو (معمولاً ۲ تا ۳ مورد) انجام دهد که هرکدام عبارت جست‌وجوی منحصربه‌فردی دارند. جست‌وجوها به‌ترتیب انجام می‌شوند و مدل می‌تواند رویکرد خود را بر اساس اطلاعات به‌دست‌آمده از جست‌وجوهای قبلی تغییر دهد.
کاربردهای مناسب: برای پرسش‌های پیچیده‌ای مناسب‌تر است که به چند جست‌وجوی هدفمند در مستندات گسترده نیاز دارند.
نمونه پرسش‌ها:
«سیاست‌های منابع انسانی درباره بازنشستگی پیش از موعد، مرخصی والدین و انتقال به خارج از کشور چیست؟»
«توضیح دهید تابع process_order چه کاری انجام می‌دهد، همه متدهایی را که این تابع فراخوانی می‌کند فهرست کنید و هر متد فراخوانی‌شده را به‌اختصار شرح دهید.»
مدل‌های سری o با وجود نقاط قوتشان، ممکن است در پرسش‌هایی که به بیش از سه جست‌وجو نیاز دارند با مشکل مواجه شوند.
نکاتی برای بهبود نتایج جستجوی فایل
برای پرسش‌های پیچیده‌ای که به چند جستجو نیاز دارند، استفاده از یک مدل سری o را امتحان کنید.
به یاد داشته باشید پاسخ‌ها ممکن است بسته به نوع، تعداد و اندازه اسنادی که بارگذاری می‌کنید متفاوت باشند.
به‌طور کلی، بارگذاری تعداد کمتری سند متمرکز به دقت بالاتر منجر می‌شود.
موضوعات چندپرسشی را به پرسش‌های تکی تبدیل کنید:
اگر لازم است سیاست‌های منابع انسانی هر ایالت را بدانید، آن‌ها را یکی‌یکی بپرسید.
اگر لازم است اسناد زیادی را خلاصه کنید، هر بار برای یک سند درخواست بدهید. اگر آن سند چند صد صفحه است، در نظر بگیرید آن را به اجزای کوچک‌تر تقسیم کنید.
اگر به‌جای اسناد کامل، چند خلاصه به ChatGPT Enterprise داده باشید، می‌توانید از آن بخواهید یک «خلاصه‌ای از خلاصه‌ها» بنویسد.
اگر یک CSV از یک RFP دارید (هر خط یک پرسش متفاوت است)، به‌جای اینکه فقط CSV را بارگذاری کنید و یک پاسخ واحد بخواهید، آن پرسش‌ها را یکی‌یکی بپرسید.
راه‌هایی برای ممیزی پاسخ‌های مدل پیدا کنید. نمونه دستورالعمل‌های GPT در ادامه آمده است:
# زمینه
شما در فهم اسناد خبره هستید. کاربر قرار است یک سند پیوست کند و یک سؤال بپرسد. او باید بتواند پاسخ شما را به بخش دقیق متن که پاسخ را از آن برداشته‌اید ربط دهد.
# دستورالعمل‌ها
1. بر اساس سند پیوست‌شده کاربر و با استفاده از قالب دقیق زیر به سؤال او پاسخ دهید
# قالب
- سؤال: { سؤال کاربر را تکرار کنید }
- پاسخ: { به سؤال کاربر پاسخ دهید }
منبع:
- - شماره بخش: { شماره بخشی را که پاسخ را از آن گرفته‌اید ارائه کنید }
- - عنوان بخش: { عنوان بخشی را که پاسخ را از آن گرفته‌اید ارائه کنید }
- - متن دقیق: { متن دقیقی را که پاسخ را از آن گرفته‌اید ارائه کنید }
# قوانین
- پاسخ‌ها را روشن و مختصر ارائه کنید
- فقط اطلاعاتی را ارائه کنید که در سند آمده است
- اگر نمی‌توانید پاسخ را در سند پیدا کنید، فقط این‌گونه پاسخ دهید: «هیچ اطلاعاتی یافت نشد.»