ChatGPT Enterprise તમને અનેક રીતે ફાઇલો અપલોડ કરવાની સુવિધા આપે છે:

• સીધી તમારા કમ્પ્યુટરમાંથી

• Google Drive / SharePoint / OneDriveમાંથી

• GPT જ્ઞાન તરીકે

• પ્રોજેક્ટ ફાઇલ તરીકે

• GPT ક્રિયામાંથી

આ માર્ગદર્શિકા સમજાવે છે કે ChatGPT Enterpriseની સુવિધાઓ ફાઇલના પ્રકાર, સંખ્યા અને કદ પ્રમાણે તેને કેવી રીતે સંભાળે છે. તેમાં ફાઇલની જરૂરિયાતોને આધારે પરિણામો સુધારવાની વ્યૂહરચનાઓની પણ ચર્ચા કરવામાં આવી છે.

સારાંશ

ChatGPT Enterprise વિવિધ પ્રકારની ફાઇલોને અલગ રીતે સંભાળે છે: PDF, પ્રસ્તુતિ અને Word ફાઇલો જેવા પાઠ દસ્તાવેજોમાંથી પાઠ કાઢે છે, Python કોડ વડે સ્પ્રેડશીટના સંરચિત ડેટાનું વિશ્લેષણ કરે છે અને GPT-દૃષ્ટિ દ્વારા છબી ફાઇલોનું વર્ણન કરે છે. અપેક્ષિત પરિણામ મેળવવા માટે કયા પ્રકારની ફાઇલથી કઈ કાર્યપ્રક્રિયા શરૂ થાય છે તે સમજવું મહત્ત્વપૂર્ણ છે.

પાઠ-આધારિત દસ્તાવેજો માટે ChatGPT Enterprise શક્ય તેટલો સંબંધિત પાઠ સીધો પ્રોમ્પ્ટ સાથે સામેલ કરે છે અને વધારાની માહિતી મેળવવા શોધ પ્રણાલીનો ઉપયોગ કરે છે. ચોક્કસ પ્રશ્નોના જવાબ આપવા માટે આ અભિગમ સારી રીતે કામ કરે છે. જોકે, ખૂબ મોટા દસ્તાવેજોનો સારાંશ કાઢવા અથવા અનેક મોટી ફાઇલોની સરખામણી કરવા જેવાં જટિલ કાર્યોમાં આ અભિગમને મુશ્કેલી પડી શકે છે. તમારાં પરિણામો સુધારવાની વ્યૂહરચનાઓ સમજવા આગળ વાંચો.

પ્રકાર મુજબ ફાઇલોનું સંચાલન

ChatGPT Enterprise ફાઇલોને ત્રણ મુખ્ય રીતે પ્રક્રિયા કરે છે: પાઠ નિષ્કર્ષણ, કોડ વિશ્લેષણ અને છબીનું અર્થઘટન. ChatGPT Enterprise કઈ કાર્યપ્રક્રિયા અનુસરે છે તે ફાઇલનો પ્રકાર નક્કી કરે છે.

માત્ર પાઠ ધરાવતી ફાઇલો, છબી ફાઇલો અથવા સ્પષ્ટ રીતે સંરચિત ડેટા ફાઇલો (દા.ત., વ્યવહારોનું Excel કોષ્ટક) માટે આ વિભાગો શક્ય તેટલી શ્રેષ્ઠ કાર્યપદ્ધતિ દર્શાવે છે.

કેટલાક અસ્પષ્ટ કિસ્સાઓ પણ છે, જેમ કે:

• PDF સિવાયની ફાઇલોમાં સામેલ છબીઓ પર પ્રક્રિયા થતી નથી. તેમને સામેલ કરવા માટે અપલોડ કરતાં પહેલાં ફાઇલને PDFમાં રૂપાંતરિત કરો.

• દસ્તાવેજમાં ઘણો પાઠ હોય તો પણ ChatGPT Enterprise સ્પ્રેડશીટ સાથે કાર્ય કરવા હંમેશાં કોડ ઇન્ટરપ્રિટરનો ઉપયોગ કરશે. ઉદાહરણ તરીકે, જો તમે ChatGPT Enterpriseને પાઠની 10 પંક્તિ ધરાવતી CSV ફાઇલનો અનુવાદ કરવા કહો, તો તે Python લાઇબ્રેરી વડે ફાઇલનો અનુવાદ કરવાનો પ્રયાસ કરશે. આ રીત મોડલને સીધો અનુવાદ બનાવવા દેવા કરતાં ઓછી સચોટ છે. આ સમસ્યા ઘટાડવા માટે સ્પ્રેડશીટને પાઠ-આધારિત સ્વરૂપમાં નિકાસ કરવાનો પ્રયાસ કરો, જેમ કે PDF.

• એ જ રીતે, જો તમે JSON ફાઇલમાં રહેલું સંરચિત વ્યવહાર કોષ્ટક અપલોડ કરો, તો ChatGPT Enterprise આ ફાઇલનું અર્થઘટન સાદા પાઠ તરીકે કરશે. 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

ChatGPT Enterprise અપલોડ કરેલા દસ્તાવેજોમાંથી સંદર્ભ વિન્ડોમાં 110k ટોકન સુધી પ્રક્રિયા કરી શકે છે. જો તમે 110k ટોકનથી ઓછા સંયુક્ત કુલવાળા એક અથવા વધુ દસ્તાવેજો અપલોડ કરો છો, તો સંપૂર્ણ સામગ્રી સામેલ કરવામાં આવશે.

110k ટોકનથી વધુના એક જ દસ્તાવેજ માટે, શરૂઆતથી શરૂ કરીને માત્ર પ્રથમ 110k ટોકન સામેલ કરવામાં આવશે. બાકીનો ભાગ માત્ર ખાનગી શોધ ઇન્ડેક્સમાં મોકલવામાં આવશે.

જો અનેક દસ્તાવેજો અપલોડ કરવામાં આવે અને તેમનો સંયુક્ત કુલ 110k ટોકનથી વધી જાય, તો ChatGPT Enterprise દસ્તાવેજોના પ્રતિનિધિત્વને સંતુલિત કરવા બે-પગલાની પ્રક્રિયા વાપરે છે:

1. અપલોડ કરેલા દસ્તાવેજો વચ્ચે સમાન રીતે વહેંચીને 55k ટોકન સુધી કાઢો.

1. પ્રથમ પગલામાં સંપૂર્ણ રીતે રજૂ ન થયેલા દસ્તાવેજો માટે, દરેક દસ્તાવેજમાં બાકી રહેલા ટોકનના આધારે બાકી 55k ટોકન પ્રમાણસર ફાળવો.

1. બાકી રહેલા કોઈપણ ટોકન માત્ર ખાનગી શોધ ઇન્ડેક્સમાં મોકલવામાં આવે છે.

તમે ટેક્સ્ટ દસ્તાવેજમાં ટોકનની સંખ્યા અંદાજવા માટે દસ્તાવેજનો ટેક્સ્ટ OpenAI ટોકનાઇઝરમાં કૉપિ કરી શકો છો.

મલ્ટિમીડિયા PDF માટે સંદર્ભ સ્ટફિંગ

જ્યારે વપરાશકર્તાઓ ટેક્સ્ટ અને છબીઓ બંને ધરાવતા PDF અપલોડ કરે છે, ત્યારે વિઝ્યુઅલ રિટ્રીવલ ChatGPTને ડિજિટલી કાઢેલા ટેક્સ્ટ સાથે આ છબીઓની મૂળભૂત રીતે પ્રક્રિયા કરવા સક્ષમ બનાવે છે. નીચેના પગલાં મલ્ટિમીડિયા PDF માટે અમારી માનક સંદર્ભ-સંચાલન પ્રક્રિયાઓને પૂરક છે:

• છબી નિષ્કર્ષણ અને એમ્બેડિંગ: છબીઓ કાઢવામાં આવે છે અને તેમના સંબંધિત ડિજિટલ ટેક્સ્ટ સાથે એમ્બેડ કરવામાં આવે છે.

• બુદ્ધિશાળી સ્કેલિંગ: ઉપલબ્ધ સંદર્ભ વિન્ડોના માહિતીની ગુણવત્તા અને કાર્યક્ષમ ઉપયોગ વચ્ચે સંતુલન જાળવવા છબીઓ આપમેળે સ્કેલ કરવામાં આવે છે.

જ્યારે અપલોડ કરેલા PDF 110k ટોકન મર્યાદાથી વધી જાય છે, ત્યારે છબીઓ અને ટેક્સ્ટ બંને ખાનગી શોધ ઇન્ડેક્સમાં એમ્બેડ કરવામાં આવે છે. ટેક્સ્ટ એમ્બેડિંગ્સ સંબંધિત છબીઓનો સંદર્ભ આપે છે, જેથી ChatGPT વપરાશકર્તા ક્વેરીઝના આધારે યોગ્ય ટેક્સ્ટ-છબી જોડીઓ મેળવી શકે. મેળવેલી છબીઓ પછી ChatGPTની મૂળભૂત મલ્ટી-મોડલ ક્ષમતાઓનો ઉપયોગ કરીને પ્રોસેસ કરવામાં આવે છે.

મલ્ટિમીડિયા PDF માટે ટોકન જરૂરિયાતોનો ચોક્કસ અંદાજ લગાવવો પડકારજનક છે. પરીક્ષણ સૂચવે છે કે મિશ્ર ટેક્સ્ટ અને છબીઓના અંદાજે 350 પાનાં 110k ટોકન સંદર્ભ વિન્ડોનો સંપૂર્ણ ઉપયોગ કરશે.

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: