ChatGPT Enterprise હવે પ્રોમ્પ્ટમાં સામેલ PDF ફાઇલોમાં રહેલી દૃશ્ય સામગ્રી (છબીઓ, આલેખ, આકૃતિઓ વગેરે) વાંચી અને સમજી શકે છે. વપરાશકર્તાઓ PDF અપલોડ કરી શકે છે અને ChatGPT તે ફાઇલમાંના લખાણ અને કોઈપણ દૃશ્ય ઘટકોનું અર્થઘટન કરી શકે છે.
વિગતો માટે જુઓ: PDFમાંથી દૃશ્ય સામગ્રીની પુનઃપ્રાપ્તિ વિશે વારંવાર પૂછાતા પ્રશ્નો.
ChatGPT Enterpriseમાં તમે અનેક રીતે ફાઇલો અપલોડ કરી શકો છો:
સીધી તમારા કમ્પ્યુટરમાંથી
GPT જ્ઞાન તરીકે
પ્રોજેક્ટ ફાઇલ તરીકે
GPT ક્રિયામાંથી
આ માર્ગદર્શિકા સમજાવે છે કે ChatGPT Enterpriseની સુવિધાઓ ફાઇલો પર તેમના પ્રકાર, સંખ્યા અને કદના આધારે કેવી રીતે કામ કરે છે. તેમાં ફાઇલની જરૂરિયાતો અનુસાર વધુ સારા પરિણામો મેળવવાની રીતોની પણ ચર્ચા કરવામાં આવી છે.
સારાંશ
ChatGPT Enterprise વિવિધ પ્રકારની ફાઇલો પર ખૂબ અલગ રીતે કામ કરે છે: PDF, પ્રસ્તુતિઓ અને વર્ડ ફાઇલો જેવા દસ્તાવેજોમાંથી લખાણ કાઢે છે, Python કોડનો ઉપયોગ કરીને સ્પ્રેડશીટના વ્યવસ્થિત ડેટાનું વિશ્લેષણ કરે છે અને GPT-Vision દ્વારા છબી ફાઇલોનું વર્ણન કરે છે. અપેક્ષિત પરિણામ મેળવવા માટે કયા પ્રકારની ફાઇલથી કઈ કાર્યપ્રક્રિયા શરૂ થાય છે તે સમજવું જરૂરી છે.
લખાણ-આધારિત દસ્તાવેજો માટે ChatGPT Enterprise શક્ય તેટલું સંબંધિત લખાણ સીધું પ્રોમ્પ્ટની સાથે સામેલ કરે છે અને વધારાની માહિતી મેળવવા માટે શોધ પ્રણાલીનો ઉપયોગ કરે છે. ચોક્કસ પ્રશ્નોના જવાબ આપવા માટે આ રીત સારી રીતે કામ કરે છે. જોકે, ખૂબ મોટા દસ્તાવેજોનો સારાંશ તૈયાર કરવો કે ઘણી મોટી ફાઇલોની સરખામણી કરવી જેવાં જટિલ કાર્યોમાં આ રીત મુશ્કેલી અનુભવી શકે છે. વધુ સારા પરિણામો મેળવવાની રીતો સમજવા માટે આગળ વાંચો.
પ્રકારના આધારે ફાઇલો પર કામ કરવું
ChatGPT Enterprise મુખ્યત્વે ત્રણ રીતે ફાઇલો પર કામ કરે છે: લખાણ કાઢવું, કોડ વડે વિશ્લેષણ કરવું અને છબીઓનું અર્થઘટન કરવું. ChatGPT Enterprise કઈ કાર્યપ્રક્રિયા અપનાવશે તે ફાઇલનો પ્રકાર નક્કી કરે છે.
| લખાણ-આધારિત પુનઃપ્રાપ્તિ | કોડ ઇન્ટરપ્રિટર | છબીઓ પર પ્રક્રિયા | દૃશ્ય સામગ્રીની પુનઃપ્રાપ્તિ | |
|---|---|---|---|---|
| ફાઇલના પ્રકારનાં ઉદાહરણો | pptx, docx, txt, md, json, xml, pdf* * GPT જ્ઞાન અથવા પ્રોજેક્ટ ફાઇલો તરીકે અપલોડ કરેલી PDF ફાઇલો | csv, xls, xlsx* *નોંધ: કોડ ઇન્ટરપ્રિટર કોઈપણ પ્રકારની ફાઇલ પર કામ કરી શકે છે, પરંતુ ChatGPT Enterprise સામાન્ય રીતે સ્પ્રેડશીટ માટે કોડ ઇન્ટરપ્રિટરનો ઉપયોગ કરે છે | jpg, png | pdf* * વપરાશકર્તાના પ્રોમ્પ્ટમાં સામેલ PDF ફાઇલો |
| કામ કરવાની રીત | ફાઇલમાંથી લખાણ કાઢે છે – થોડું લખાણ સીધું સંદર્ભ વિન્ડોમાં મૂકવામાં (“ભરવામાં”) આવે છે; થોડું લખાણ શોધ માટે સંગ્રહિત કરવામાં આવે છે | કોડ ઇન્ટરપ્રિટર ફાઇલ પર પ્રક્રિયા કરવા માટે તેને Pythonને સોંપે છે | જાણીતી મર્યાદાઓને આધીન રહીને મલ્ટી-મોડલ મોડલ પોતાની આંતરિક ક્ષમતાઓથી છબીઓનું અર્થઘટન કરે છે. | લખાણની પુનઃપ્રાપ્તિ અને છબીઓ પર પ્રક્રિયાનું સંયોજન. લખાણ ડિજિટલ રીતે કાઢવામાં આવે છે અને મલ્ટી-મોડલ મોડલ પોતાની આંતરિક ક્ષમતાઓથી દૃશ્ય સામગ્રીનું અર્થઘટન કરે છે. |
માત્ર લખાણ ધરાવતી ફાઇલો, છબી ફાઇલો અથવા સ્પષ્ટ રીતે ગોઠવેલા ડેટાની ફાઇલો (જેમ કે, એક્સેલમાં વ્યવહારોનું કોષ્ટક) માટે આ વર્ગીકરણ પ્રમાણે કામ કરવું શ્રેષ્ઠ છે.
કેટલાક કિસ્સાઓમાં કઈ રીત અપનાવાશે તે એટલું સ્પષ્ટ હોતું નથી, ઉદાહરણ તરીકે:
PDF સિવાયની ફાઇલોમાં રહેલી છબીઓ પર પ્રક્રિયા કરવામાં આવતી નથી. તેમને સામેલ કરવા માટે અપલોડ કરતાં પહેલાં ફાઇલને PDFમાં રૂપાંતરિત કરો.
સ્પ્રેડશીટ પર કામ કરવા માટે ChatGPT Enterprise હંમેશાં કોડ ઇન્ટરપ્રિટરનો ઉપયોગ કરશે, ભલે દસ્તાવેજમાં મોટા પ્રમાણમાં લખાણ હોય. ઉદાહરણ તરીકે, જો તમે ChatGPT Enterpriseને લખાણની 10 પંક્તિઓ ધરાવતી CSV ફાઇલનું અનુવાદ કરવા કહો, તો તે Python લાઇબ્રેરીનો ઉપયોગ કરીને ફાઇલનું અનુવાદ કરવાનો પ્રયત્ન કરશે. આ રીત મોડલ પાસે સીધું અનુવાદ કરાવવા કરતાં ઓછી સચોટ છે. આ સમસ્યા ઘટાડવા માટે સ્પ્રેડશીટને લખાણ-આધારિત ફોર્મેટમાં (ઉદાહરણ તરીકે, PDFમાં) નિકાસ કરી જુઓ.
એ જ રીતે, જો તમે JSON ફાઇલમાં વ્યવસ્થિત રીતે ગોઠવેલું વ્યવહારોનું કોષ્ટક અપલોડ કરો, તો ChatGPT Enterprise આ ફાઇલને સાદા લખાણ તરીકે સમજશે. જો તમે JSON ફાઇલમાં રહેલા ડેટાનું વિશ્લેષણ કરવા માંગતા હો, તો તમારા પ્રોમ્પ્ટમાં મોડલને કોડ ઇન્ટરપ્રિટરનો ઉપયોગ કરવાની સૂચના આપો.
કદના આધારે ફાઇલોનું સંચાલન
ChatGPT Enterprise મહત્તમ 128k ટોકનની સંદર્ભ વિન્ડો ધરાવતા મોડલનો ઉપયોગ કરે છે (અંદાજે 200 પાનાં ટેક્સ્ટ). જોકે, અપલોડ કરેલી ફાઇલોમાંથી ટેક્સ્ટ સામેલ કરવા માટે બધા ટોકનનો ઉપયોગ થતો નથી. “સ્ટફ કરેલા” ટોકનની સંખ્યા ઉપયોગના પ્રકાર પ્રમાણે બદલાય છે.
ChatGPT Enterprise અમુક માત્રામાં ટેક્સ્ટ “સ્ટફ” કરે છે, અને બાકી ટેક્સ્ટ ખાનગી શોધ ઇન્ડેક્સમાં મોકલવામાં આવે છે (“વેક્ટર સ્ટોર”, જે મોટા પ્રમાણમાં ટેક્સ્ટ કાર્યક્ષમ રીતે સંગ્રહિત કરવા અને પાછું મેળવવા માટે બનાવાયેલ ડેટાબેઝનો એક પ્રકાર છે). જ્યારે તમે પ્રશ્ન પૂછો છો, ત્યારે ChatGPT Enterprise ખાનગી શોધ ઇન્ડેક્સમાંથી મેળવેલા સંબંધિત ભાગો સાથે સામેલ કરાયેલ ટેક્સ્ટ લાવે છે.
જો તમે એક જ દસ્તાવેજ અપલોડ કરો છો, તો ChatGPT Enterprise શરૂઆતથી શરૂ કરીને પોતાની મર્યાદા સુધી પહોંચે ત્યાં સુધી ટેક્સ્ટ સામેલ કરે છે. જો તમે અનેક દસ્તાવેજો અપલોડ કરો છો, તો ChatGPT Enterprise દરેક દસ્તાવેજનો થોડો અથવા સમગ્ર ભાગ સામેલ કરે છે. દસ્તાવેજોમાંથી બધું ટેક્સ્ટ ખાનગી શોધ ઇન્ડેક્સમાં પણ મોકલવામાં આવે છે.
ટેક્સ્ટ દસ્તાવેજો માટે સંદર્ભ સ્ટફિંગ
આ સુવિધા હાલમાં સક્રિય વિકાસ હેઠળ છે. તેથી, નીચેની વિગતો કોઈ સૂચના વિના બદલાઈ શકે છે.
ChatGPT Enterprise અપલોડ કરેલા દસ્તાવેજોમાંથી 1,10,000 ટોકન સુધીની સામગ્રીને સંદર્ભ વિન્ડોમાં પ્રોસેસ કરી શકે છે. જો તમે એક અથવા વધુ દસ્તાવેજો અપલોડ કરો અને તેમના કુલ ટોકન 1,10,000 કરતાં ઓછા હોય, તો બધી સામગ્રી સામેલ કરવામાં આવશે.
જો કોઈ એક દસ્તાવેજમાં 1,10,000 કરતાં વધુ ટોકન હોય, તો શરૂઆતથી માત્ર પ્રથમ 1,10,000 ટોકન સામેલ કરવામાં આવશે. બાકીની સામગ્રી માત્ર ખાનગી શોધ અનુક્રમણિકામાં મોકલવામાં આવશે.
જો એકથી વધુ દસ્તાવેજો અપલોડ કરવામાં આવે અને તેમના કુલ ટોકન 1,10,000 કરતાં વધી જાય, તો દરેક દસ્તાવેજની સામગ્રીનો સંતુલિત સમાવેશ કરવા માટે ChatGPT Enterprise નીચેની પ્રક્રિયા અપનાવે છે:
અપલોડ કરેલા દસ્તાવેજોમાંથી સમાન હિસ્સામાં કુલ 55,000 ટોકન સુધીની સામગ્રી કાઢવામાં આવે છે.
પહેલા પગલામાં સંપૂર્ણ સામેલ ન થયેલા દસ્તાવેજો માટે બાકીના 55,000 ટોકનની ફાળવણી દરેક દસ્તાવેજમાં બાકી રહેલા ટોકનના પ્રમાણમાં કરવામાં આવે છે.
ત્યાર પછી બાકી રહેલા બધા ટોકન માત્ર ખાનગી શોધ અનુક્રમણિકામાં મોકલવામાં આવે છે.
લખાણના દસ્તાવેજમાં ટોકનની સંખ્યાનો અંદાજ મેળવવા માટે તેનું લખાણ કૉપિ કરીને OpenAI ટોકનાઇઝરમાં મૂકી શકો છો.
મલ્ટીમીડિયા PDFની સામગ્રીને સંદર્ભ વિન્ડોમાં સમાવવી
જ્યારે વપરાશકર્તાઓ લખાણ અને છબીઓ ધરાવતી PDF ફાઇલો અપલોડ કરે છે, ત્યારે દૃશ્ય સામગ્રીની પુનઃપ્રાપ્તિની મદદથી ChatGPT ડિજિટલ રીતે કાઢેલા લખાણની સાથે આ છબીઓને પણ પોતાની આંતરિક ક્ષમતાઓથી પ્રોસેસ કરી શકે છે. મલ્ટીમીડિયા PDF માટે સંદર્ભ સંભાળવાની અમારી સામાન્ય પ્રક્રિયાઓ ઉપરાંત નીચેના પગલાં લેવામાં આવે છે:
છબીઓ કાઢવી અને એમ્બેડ કરવી: છબીઓ કાઢીને તેમની સાથે સંકળાયેલા ડિજિટલ લખાણ સાથે એમ્બેડ કરવામાં આવે છે.
સમજદારીપૂર્વક કદ ગોઠવવું: માહિતીની ગુણવત્તા અને ઉપલબ્ધ સંદર્ભ વિન્ડોના કાર્યક્ષમ ઉપયોગ વચ્ચે સંતુલન જાળવવા માટે છબીઓનું કદ આપમેળે ગોઠવવામાં આવે છે.
જ્યારે અપલોડ કરેલી PDF ફાઇલો 1,10,000 ટોકનની મર્યાદા વટાવે છે, ત્યારે છબીઓ અને લખાણ બંનેને ખાનગી શોધ અનુક્રમણિકામાં એમ્બેડ કરવામાં આવે છે. લખાણના એમ્બેડિંગમાં સંબંધિત છબીઓના સંદર્ભો હોય છે, જેથી ChatGPT વપરાશકર્તાના પ્રશ્નોના આધારે યોગ્ય લખાણ-છબીની જોડીઓ મેળવી શકે છે. પછી મેળવેલી છબીઓને ChatGPTની આંતરિક મલ્ટી-મોડલ ક્ષમતાઓ વડે પ્રોસેસ કરવામાં આવે છે.
મલ્ટીમીડિયા PDF માટે જરૂરી ટોકનની સંખ્યાનો ચોક્કસ અંદાજ કાઢવો મુશ્કેલ છે. પરીક્ષણો સૂચવે છે કે લખાણ અને છબીઓનું મિશ્રણ ધરાવતાં લગભગ 350 પાનાંથી 1,10,000 ટોકનની સંદર્ભ વિન્ડો સંપૂર્ણપણે ભરાઈ જશે.
મોડલના પ્રકાર પર આધારિત શોધ વ્યૂહરચનાઓ
GPT-શ્રેણી અને o-શ્રેણી બંનેના મોડલ ફાઇલ અપલોડને સપોર્ટ કરે છે અને સમાન સંદર્ભ સ્ટફિંગ તથા શોધ એમ્બેડિંગ લોજિકનો ઉપયોગ કરે છે. બધા મોડલ ખાનગી શોધ ઇન્ડેક્સ સામે હાઇબ્રિડ શોધો ચલાવે છે, જેમાં કીવર્ડ અને સેમેન્ટિક પદ્ધતિઓનું સંયોજન થાય છે. હાઇબ્રિડ શોધમાં, મોડલ વપરાશકર્તાના પ્રોમ્પ્ટના આધારે શોધ શબ્દસમૂહ બનાવે છે, અને ખાનગી શોધ ઇન્ડેક્સ તે મુજબ સંબંધિત ટેક્સ્ટ અને છબીઓ મેળવે છે.
જોકે, સંદર્ભ વિન્ડોથી વધુ મોટા દસ્તાવેજોમાં આ મોડલ કેવી રીતે શોધ કરે છે તેમાં તેઓ અલગ પડે છે:
GPT-શ્રેણીનાં મોડલ
પ્રતિ પ્રોમ્પ્ટ એક શોધ: GPT-શ્રેણીનાં મોડલ દરેક વપરાશકર્તા પ્રોમ્પ્ટ માટે એક શોધ કરે છે.
અસરકારક ઉપયોગના કિસ્સા: વિસ્તૃત દસ્તાવેજોમાં રહેલા સીધાસાદા પ્રશ્નોના જવાબ આપવા માટે આદર્શ છે.
ઉદાહરણરૂપ પ્રશ્નો:
“વહેલી નિવૃત્તિ અંગે માનવ સંસાધન નીતિ શું છે?”
“process_order ફંક્શન શું કરે છે?”
o-શ્રેણીનાં મોડલ
પ્રતિ પ્રોમ્પ્ટ અનેક શોધ: દરેક વપરાશકર્તા પ્રોમ્પ્ટ માટે અલગ શોધ શબ્દસમૂહ વડે અનેક શોધ (સામાન્ય રીતે 2-3) કરી શકે છે. શોધ ક્રમશઃ કરવામાં આવે છે અને અગાઉની શોધોમાંથી મળેલી માહિતીના આધારે મોડલ પોતાનો અભિગમ બદલી શકે છે.
અસરકારક ઉપયોગના કિસ્સા: વિસ્તૃત દસ્તાવેજોમાં અનેક લક્ષિત શોધની જરૂર હોય એવા જટિલ પ્રશ્નો માટે વધુ યોગ્ય છે.
ઉદાહરણરૂપ પ્રશ્નો:
“વહેલી નિવૃત્તિ, માતા-પિતા માટેની રજા અને વિદેશમાં બદલી અંગે માનવ સંસાધન નીતિઓ શું છે?”
“process_order ફંક્શન શું કરે છે તે સમજાવો, આ ફંક્શન દ્વારા બોલાવવામાં આવતી બધી પદ્ધતિઓની યાદી આપો અને દરેક પદ્ધતિનું ટૂંકું વર્ણન કરો.”
ક્ષમતાઓ હોવા છતાં, કોઈ પ્રશ્ન માટે ત્રણથી વધુ શોધની જરૂર પડે ત્યારે o-શ્રેણીનાં મોડલને મુશ્કેલી પડી શકે છે.
ફાઇલ શોધ પરિણામો સુધારવા માટેની ટિપ્સ
અનેક શોધોની જરૂર હોય તેવા જટિલ પ્રશ્નો માટે o-શ્રેણીના મોડલનો ઉપયોગ કરવાનો પ્રયાસ કરો.
યાદ રાખો કે તમે અપલોડ કરો છો તે દસ્તાવેજોના પ્રકાર, સંખ્યા અને કદના આધારે પ્રતિસાદો બદલાઈ શકે છે.
સામાન્ય રીતે, ઓછા અને કેન્દ્રિત દસ્તાવેજો લોડ કરવાથી વધુ ચોકસાઈ મળશે.
બહુ-પ્રશ્ન વિષયોને એકલ પ્રશ્નોમાં ફેરવો:
જો તમારે દરેક રાજ્યની માનવ સંસાધન નીતિઓ જાણવી હોય, તો તેમને એક પછી એક પૂછો.
જો તમારે ઘણા દસ્તાવેજોનો સારાંશ આપવો હોય, તો એક સમયે એક દસ્તાવેજ માટે પૂછો. જો તે દસ્તાવેજ ઘણા સૈંકડો પાનાંનો હોય, તો તેને નાના ઘટકોમાં વહેંચવાનો વિચાર કરો.
જો તમે સંપૂર્ણ દસ્તાવેજોના બદલે અનેક સારાંશો આપ્યા હોય, તો તમે ChatGPT Enterpriseને “સારાંશોના સારાંશ” લખવા માટે કહી શકો છો.
જો તમારી પાસે RFPની CSV હોય (દરેક પંક્તિ અલગ પ્રશ્ન છે), તો માત્ર CSV લોડ કરીને એક જ પ્રતિસાદ માંગવાને બદલે તે પ્રશ્નો એક પછી એક પૂછો.
મોડલના પ્રતિસાદોનું ઑડિટ કરવાની રીતો શોધો. ઉદાહરણ GPT સૂચનાઓ નીચે છે:
# સંદર્ભ
તમે દસ્તાવેજોને સમજવામાં નિષ્ણાત છો. વપરાશકર્તા એક દસ્તાવેજ જોડશે અને પ્રશ્ન પૂછશે. તેમને તમારા જવાબને ટેક્સ્ટના એ ચોક્કસ ભાગ સાથે જોડવાની ક્ષમતા હોવી જોઈએ જ્યાંથી તમે જવાબ લીધો છે.
# સૂચનાઓ
1. નીચે આપેલા ચોક્કસ ફોર્મેટનો ઉપયોગ કરીને વપરાશકર્તાના જોડાયેલા દસ્તાવેજના આધારે તેમના પ્રશ્નનો જવાબ આપો.
# ફોર્મેટ
- Question: { વપરાશકર્તાનો પ્રશ્ન ફરી લખો }
- Answer: { વપરાશકર્તાના પ્રશ્નનો જવાબ આપો }
Source:
- - Section Number: { જ્યાંથી તમે જવાબ લીધો છે તે વિભાગ નંબર આપો }
- - Section Title: { જ્યાંથી તમે જવાબ લીધો છે તે વિભાગનું શીર્ષક આપો }
- - Exact Text: { જ્યાંથી તમે જવાબ લીધો છે તે ચોક્કસ ટેક્સ્ટ આપો }
# નિયમો
- જવાબ સ્પષ્ટ અને સંક્ષિપ્ત આપો.
- માત્ર દસ્તાવેજમાં આપેલી માહિતી જ આપો.
- જો તમને દસ્તાવેજમાં જવાબ ન મળે, તો ફક્ત "કોઈ માહિતી મળી નથી." લખો.