ChatGPT Enterprise osaa nyt lukea ja ymmärtää visuaalista sisältöä (kuvia, kuvaajia, kaavioita jne.), joka on upotettu kehotteisiin liitettyihin PDF-tiedostoihin. Käyttäjä voi ladata PDF-tiedoston, ja ChatGPT voi tulkita sen tekstin ja kaikki sen visuaaliset elementit.
Lisätietoja: Usein kysyttyä PDF-tiedostojen visuaalisesta hausta.
ChatGPT Enterpriseen voi ladata tiedostoja useilla tavoilla:
Suoraan tietokoneeltasi
Tässä oppaassa kerrotaan, miten ChatGPT Enterprisen ominaisuudet käsittelevät tiedostoja niiden tyypin, määrän ja koon mukaan ja miten voit parantaa tuloksia ottamalla huomioon tiedostojen asettamat vaatimukset.
Yhteenveto
ChatGPT Enterprise käsittelee eri tiedostotyyppejä hyvin eri tavoin: se poimii tekstiä tekstiasiakirjoista, kuten PDF-tiedostoista, esityksistä ja Word-tiedostoista, analysoi laskentataulukoiden rakenteista dataa Python-koodilla ja kuvailee kuvatiedostoja GPT-Visionin avulla. Odotetun tuloksen saamiseksi on tärkeää ymmärtää, minkä käsittelytavan kukin tiedostotyyppi käynnistää.
Tekstipohjaisista asiakirjoista ChatGPT Enterprise sisällyttää mahdollisimman paljon olennaista tekstiä suoraan kehotteen rinnalle ja hakee lisätietoja hakujärjestelmän avulla. Tämä toimii hyvin täsmällisiin kysymyksiin vastaamisessa. Lähestymistapa voi kuitenkin tuottaa vaikeuksia monimutkaisissa tehtävissä, kuten erittäin laajojen asiakirjojen tiivistämisessä tai useiden suurten tiedostojen vertailussa. Lue lisää tavoista parantaa tuloksia.
Tiedostojen käsittely tyypin mukaan
ChatGPT Enterprise käsittelee tiedostoja kolmella pääasiallisella tavalla: poimimalla tekstiä, analysoimalla niitä koodin avulla ja tulkitsemalla kuvia. Tiedostotyyppi määrittää, mitä käsittelytapaa ChatGPT Enterprise käyttää.
| Tekstipohjainen haku | Koodintulkitsin | Kuvankäsittely | Visuaalinen haku | |
|---|---|---|---|---|
| Esimerkkejä tiedostotyypeistä | pptx, docx, txt, md, json, xml, pdf* * PDF-tiedostot, jotka on ladattu GPT:n tietopohjaksi tai projektitiedostoiksi | csv, xls, xlsx* *Huomautus: Koodintulkitsin voi käsitellä mitä tahansa tiedostotyyppiä, mutta ChatGPT Enterprise käyttää sitä oletusarvoisesti useimmiten laskentataulukoiden käsittelyyn. | jpg, png | pdf* * Käyttäjän kehotteisiin liitetyt PDF-tiedostot |
| Toimintatapa | Poimii tekstin tiedostosta – osa tekstistä liitetään (”täytetään”) suoraan konteksti-ikkunaan ja osa tallennetaan hakua varten. | Koodintulkitsin välittää tiedoston Pythonin käsiteltäväksi. | Multimodaaliset mallit tulkitsevat kuvat suoraan tunnettujen rajoitusten puitteissa. | Tekstihaun ja kuvankäsittelyn yhdistelmä. Teksti poimitaan digitaalisesti, ja multimodaaliset mallit tulkitsevat visuaalisen sisällön suoraan. |
Pelkkiä tekstitiedostoja, kuvatiedostoja tai selkeästi jäsenneltyjä datatiedostoja (esim. tapahtumia sisältävää Excel-taulukkoa) käsiteltäessä tämä jaottelu tuottaa parhaan mahdollisen tuloksen.
Kaikissa tapauksissa jaottelu ei kuitenkaan ole yhtä selkeä. Esimerkiksi:
Muihin kuin PDF-tiedostoihin upotettuja kuvia ei käsitellä. Jos haluat sisällyttää ne käsittelyyn, muunna tiedosto PDF-muotoon ennen lataamista.
ChatGPT Enterprise käyttää laskentataulukoiden käsittelyyn aina koodintulkitsinta, vaikka asiakirja sisältäisi paljon tekstiä. Jos esimerkiksi pyydät ChatGPT Enterprisea kääntämään 10 tekstiriviä sisältävän CSV-tiedoston, se yrittää kääntää tiedoston Python-kirjaston avulla. Tämä tuottaa epätarkemman tuloksen kuin se, että malli luo käännöksen suoraan. Voit vähentää tätä ongelmaa viemällä laskentataulukon tekstipohjaiseen muotoon (esimerkiksi PDF-muotoon).
Vastaavasti jos lataat JSON-tiedoston, joka sisältää rakenteisen tapahtumataulukon, ChatGPT Enterprise tulkitsee tiedoston pelkkänä tekstinä. Jos haluat analysoida JSON-tiedoston sisältämää dataa, ohjeista mallia kehotteessa käyttämään koodintulkitsinta.
Tiedostojen käsittely koon mukaan
ChatGPT Enterprise käyttää malleja, joiden konteksti-ikkuna on enintään 128k tokenia (noin 200 sivua tekstiä). Kaikkia tokeneita ei kuitenkaan käytetä ladatuista tiedostoista peräisin olevan tekstin sisällyttämiseen. ”Täytettyjen” tokenien määrä vaihtelee käyttötavan mukaan.
ChatGPT Enterprise ”täyttää” jonkin verran tekstiä, ja jäljelle jäävä teksti lähetetään yksityiseen hakuindeksiin (”vektorivarastoon”, joka on tietokantatyyppi, joka on suunniteltu tallentamaan ja noutamaan tehokkaasti suuria tekstimääriä). Kun esität kysymyksen, ChatGPT Enterprise tuo mukaan sisällytetyn tekstin sekä yksityisestä hakuindeksistä noudetut olennaiset osat.
Jos lataat yhden asiakirjan, ChatGPT Enterprise sisällyttää tekstiä alusta alkaen, kunnes sen raja tulee vastaan. Jos lataat useita asiakirjoja, ChatGPT Enterprise sisällyttää osan kustakin asiakirjasta tai ne kokonaan. Kaikki asiakirjojen teksti lähetetään myös yksityiseen hakuindeksiin.
Kontekstin täyttäminen tekstiasiakirjoille
Tämä ominaisuus on aktiivisen kehityksen alla. Siksi seuraavat tiedot voivat muuttua ilman erillistä ilmoitusta.
ChatGPT Enterprise voi käsitellä konteksti-ikkunassa jopa 110 000 tokenia ladatuista asiakirjoista. Jos lataat yhden tai useamman asiakirjan, joissa on yhteensä alle 110 000 tokenia, niiden koko sisältö sisällytetään konteksti-ikkunaan.
Jos yksittäisessä asiakirjassa on yli 110 000 tokenia, mukaan otetaan vain asiakirjan ensimmäiset 110 000 tokenia. Loppuosa lähetetään vain yksityiseen hakuindeksiin.
Jos lataat useita asiakirjoja, joissa on yhteensä yli 110 000 tokenia, ChatGPT Enterprise tasapainottaa asiakirjojen osuudet seuraavasti:
Asiakirjoista poimitaan enintään 55 000 tokenia siten, että määrä jakautuu tasan ladattujen asiakirjojen kesken.
Jäljelle jäävät 55 000 tokenia jaetaan niiden asiakirjojen kesken, joita ei ensimmäisessä vaiheessa sisällytetty kokonaan, suhteessa kussakin asiakirjassa jäljellä olevien tokenien määrään.
Loput tokenit lähetetään vain yksityiseen hakuindeksiin.
Voit arvioida tekstiasiakirjan tokenien määrän kopioimalla asiakirjan tekstin OpenAI Tokenizer -työkaluun.
Multimedia-PDF-tiedostojen sisällön lisääminen konteksti-ikkunaan
Kun käyttäjät lataavat sekä tekstiä että kuvia sisältäviä PDF-tiedostoja, visuaalisen haun avulla ChatGPT voi käsitellä kuvia suoraan yhdessä digitaalisesti poimitun tekstin kanssa. Seuraavat vaiheet täydentävät tavanomaista kontekstinkäsittelyämme multimedia-PDF-tiedostojen osalta:
Kuvien poiminta ja upotus: Kuvat poimitaan ja upotetaan yhdessä niihin liittyvän digitaalisen tekstin kanssa.
Älykäs skaalaus: Kuvien kokoa säädetään automaattisesti, jotta tiedon laatu ja käytettävissä olevan konteksti-ikkunan tehokas käyttö pysyvät tasapainossa.
Kun ladatut PDF-tiedostot ylittävät 110 000 tokenin rajan, sekä kuvat että teksti upotetaan yksityiseen hakuindeksiin. Tekstiupotukset viittaavat asiaankuuluviin kuviin, joten ChatGPT voi hakea sopivat teksti-kuvaparit käyttäjän kyselyjen perusteella. Haetut kuvat käsitellään sitten ChatGPT:n sisäänrakennetuilla multimodaalisilla ominaisuuksilla.
Multimedia-PDF-tiedostojen vaatimaa tokenien määrää on vaikea arvioida tarkasti. Testien perusteella noin 350 sivua, joilla on sekä tekstiä että kuvia, täyttää 110 000 tokenin konteksti-ikkunan.
Hakustrategiat mallityypin mukaan
Sekä GPT-sarjan että o-sarjan mallit tukevat tiedostojen lataamista ja käyttävät samaa kontekstin täyttämisen ja haku-upotusten logiikkaa. Kaikki mallit suorittavat hybridihaun yksityistä hakuindeksiä vasten ja yhdistävät avainsana- ja semanttisia menetelmiä. Hybridihaussa malli luo käyttäjän kehotteen perusteella hakulausekkeen, ja yksityinen hakuindeksi noutaa sen mukaisesti olennaista tekstiä ja kuvia.
Nämä mallit eroavat kuitenkin siinä, miten ne hakevat suurista asiakirjoista, jotka ylittävät konteksti-ikkunan:
GPT-sarjan mallit
Yksi haku kehoteetta kohden: GPT-sarjan mallit tekevät yhden haun kutakin käyttäjän kehoteetta kohden.
Sopivat käyttötapaukset: Soveltuu erinomaisesti laajaan dokumentaatioon sisältyviin yksinkertaisiin kysymyksiin vastaamiseen.
Esimerkkikyselyjä:
”Mikä on henkilöstökäytäntö varhaiseläkkeelle jäämistä varten?”
”Mitä process_order-funktio tekee?”
o-sarjan mallit
Useita hakuja kehoteetta kohden: Voi tehdä käyttäjän kehoteetta kohden useita hakuja (yleensä 2–3), joista jokaisessa käytetään yksilöllistä hakulauseketta. Haut suoritetaan peräkkäin, ja malli voi muuttaa lähestymistapaansa aiemmissa hauissa löytyneiden tietojen perusteella.
Sopivat käyttötapaukset: Soveltuu paremmin monimutkaisiin kysymyksiin, jotka edellyttävät useita laajaan dokumentaatioon kohdistettuja hakuja.
Esimerkkikyselyjä:
”Mitkä ovat henkilöstökäytännöt varhaiseläkkeelle jäämistä, vanhempainvapaata ja ulkomaille siirtymistä varten?”
”Selitä, mitä process_order-funktio tekee, luettele kaikki sen kutsumat metodit ja kuvaile lyhyesti kutakin niistä.”
Vahvuuksistaan huolimatta o-sarjan malleilla voi olla vaikeuksia kyselyissä, jotka vaativat yli kolme hakua.
Vinkkejä tiedostohaun tulosten parantamiseen
Kokeile o-sarjan mallia monimutkaisiin kysymyksiin, jotka vaativat useita hakuja.
Muista, että vastaukset voivat vaihdella lataamiesi asiakirjojen tyypin, määrän ja koon mukaan.
Yleensä vähemmän, kohdennettuja asiakirjoja lataamalla saavutetaan parempi tarkkuus.
Muuta monikysymyksiset aiheet yksittäisiksi kysymyksiksi:
Jos sinun on tiedettävä jokaisen osavaltion HR-käytännöt, kysy niistä yksi kerrallaan.
Jos sinun on tehtävä yhteenveto monista asiakirjoista, pyydä käsittelemään yksi asiakirja kerrallaan. Jos kyseinen asiakirja on satoja sivuja pitkä, harkitse sen jakamista pienempiin osiin.
Voisit pyytää ChatGPT Enterprisea kirjoittamaan ”yhteenvetojen yhteenvedon”, jos syötät sille useita yhteenvetoja kokonaisten asiakirjojen sijaan.
Jos sinulla on RFP:n CSV-tiedosto (jokainen rivi on eri kysymys), kysy nämä kysymykset yksi kerrallaan sen sijaan, että vain lataisit CSV-tiedoston ja pyytäisit yhtä vastausta.
Etsi tapoja auditoida mallin vastauksia. Esimerkkejä GPT-ohjeista on alla:
# Konteksti
Olet asiantuntija asiakirjojen ymmärtämisessä. Käyttäjä liittää asiakirjan ja esittää kysymyksen. Hänen täytyy pystyä yhdistämään vastauksesi tarkkaan siihen tekstin kohtaan, josta otit vastauksen.
# Ohjeet
1. Vastaa käyttäjän kysymykseen hänen liitetyn asiakirjansa perusteella käyttäen täsmälleen alla annettua muotoa
# Muoto
- Kysymys: { toista käyttäjän kysymys }
- Vastaus: { anna vastaus käyttäjän kysymykseen }
Lähde:
- - Osion numero: { anna osion numero, josta otit vastauksen }
- - Osion otsikko: { anna osion otsikko, josta otit vastauksen }
- - Tarkka teksti: { anna tarkka teksti, josta otit vastauksen }
# Säännöt
- Anna vastaukset selkeinä ja ytimekkäinä
- Anna vain asiakirjassa annettuja tietoja
- Jos et löydä vastausta asiakirjasta, vastaa yksinkertaisesti ”Tietoa ei löytynyt.”