ChatGPT Enterprise તમને ઘણી રીતો દ્વારા ફાઇલો અપલોડ કરવાની મંજૂરી આપે છે:

• તમારા કમ્પ્યુટર પરથી સીધું

• Google Drive / SharePoint / OneDriveમાંથી

• GPT જ્ઞાન તરીકે

• પ્રોજેક્ટ ફાઇલ તરીકે

• GPT ઍક્શનમાંથી

આ માર્ગદર્શિકા સમજાવે છે કે ChatGPT Enterpriseની સુવિધાઓ ફાઇલોના પ્રકાર, સંખ્યા અને કદના આધારે તેમને કેવી રીતે સંભાળે છે, અને ફાઇલની જરૂરિયાતોના આધારે આઉટપુટ સુધારવાની વ્યૂહરચનાઓની ચર્ચા કરે છે.

સારાંશ

ChatGPT Enterprise વિવિધ ફાઇલ પ્રકારો સાથે ખૂબ અલગ રીતે વ્યવહાર કરે છે: PDF, પ્રેઝન્ટેશન અને Word ફાઇલો જેવા ટેક્સ્ટ દસ્તાવેજોમાંથી ટેક્સ્ટ કાઢે છે, Python કોડનો ઉપયોગ કરીને સ્પ્રેડશીટ્સમાંથી રચિત ડેટાનું વિશ્લેષણ કરે છે, અને GPT-Vision દ્વારા છબી ફાઇલોનું વર્ણન કરે છે. કયા ફાઇલ પ્રકારથી કયો વર્કફ્લો શરૂ થાય છે તે સમજવું અપેક્ષિત પરિણામ મેળવવાની ચાવી છે.

ટેક્સ્ટ-આધારિત દસ્તાવેજો માટે, ChatGPT Enterprise શક્ય તેટલો સંબંધિત ટેક્સ્ટ સીધો પ્રોમ્પ્ટની સાથે સામેલ કરે છે અને વધારાની માહિતી મેળવવા માટે શોધ સિસ્ટમનો ઉપયોગ કરે છે. આ ચોક્કસ પ્રશ્નોના જવાબ આપવા માટે સારી રીતે કામ કરે છે. જોકે, ખૂબ મોટા દસ્તાવેજોનો સારાંશ આપવો અથવા અનેક મોટી ફાઇલોની તુલના કરવી જેવા જટિલ કાર્યોમાં આ અભિગમને મુશ્કેલી પડી શકે છે. તમારા પરિણામો સુધારવા માટેની વ્યૂહરચનાઓ સમજવા આગળ વાંચો.

પ્રકારના આધારે ફાઇલોનું સંચાલન

ChatGPT Enterprise ફાઇલોને ત્રણ મુખ્ય રીતે પ્રોસેસ કરે છે: ટેક્સ્ટ નિષ્કર્ષણ, કોડ વિશ્લેષણ અને છબી અર્થઘટન. ChatGPT Enterprise કયો વર્કફ્લો અનુસરે છે તે ફાઇલનો પ્રકાર નક્કી કરે છે.

માત્ર ટેક્સ્ટ ફાઇલો, છબી ફાઇલો અથવા સ્પષ્ટ રીતે રચિત ડેટા ફાઇલો (દા.ત., વ્યવહારોની Excel કોષ્ટક) માટે, આ વિભાગો શ્રેષ્ઠ શક્ય વર્તન દર્શાવે છે.

કેટલાક અસ્પષ્ટ ક્ષેત્રો છે જે ઓછા સ્પષ્ટ છે, ઉદાહરણ તરીકે:

• PDF સિવાયની ફાઇલોમાં એમ્બેડ કરેલી છબીઓ પ્રોસેસ કરવામાં આવતી નથી. તેમને સામેલ કરવા માટે, અપલોડ કરતા પહેલાં ફાઇલને PDFમાં રૂપાંતરિત કરો.

• દસ્તાવેજમાં મોટી માત્રામાં ટેક્સ્ટ હોય તો પણ, ChatGPT Enterprise સ્પ્રેડશીટ્સ સાથે ક્રિયા કરવા માટે હંમેશા કોડ ઇન્ટરપ્રિટરનો ઉપયોગ કરશે. ઉદાહરણ તરીકે, જો તમે ChatGPT Enterpriseને ટેક્સ્ટની 10 પંક્તિઓ ધરાવતી CSV ફાઇલનો અનુવાદ કરવા કહો છો, તો તે Python લાઇબ્રેરીનો ઉપયોગ કરીને ફાઇલનો અનુવાદ કરવાનો પ્રયાસ કરશે, જે મોડલને સીધો અનુવાદ જનરેટ કરવાની મંજૂરી આપવાથી ઓછું ચોક્કસ છે. આને ઘટાડવા માટે, સ્પ્રેડશીટને ટેક્સ્ટ-આધારિત ફોર્મેટમાં નિકાસ કરવાનો પ્રયાસ કરો (ઉદાહરણ તરીકે, PDF).

• એ જ રીતે, જો તમે JSON ફાઇલમાં રહેલી વર્ણવેલી રચિત વ્યવહાર કોષ્ટક અપલોડ કરો છો, તો ChatGPT Enterprise આ ફાઇલને સાદા ટેક્સ્ટ તરીકે અર્થઘટન કરશે. જો તમે JSON ફાઇલમાં રહેલા ડેટાનું વિશ્લેષણ કરવા માંગો છો, તો તમારા પ્રોમ્પ્ટમાં મોડલને કોડ ઇન્ટરપ્રિટર વાપરવા સૂચવો.

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-શ્રેણીના મોડલ

• દરેક પ્રોમ્પ્ટ દીઠ એક શોધ: GPT-શ્રેણીના મોડલ વપરાશકર્તાના દરેક પ્રોમ્પ્ટ દીઠ એક શોધ કરે છે.

• અસરકારક ઉપયોગના કિસ્સા: વિસ્તૃત દસ્તાવેજોમાં સમાવિષ્ટ સીધા પ્રશ્નોના જવાબ આપવા માટે આદર્શ.

ઉદાહરણ ક્વેરીઝ:

• “વહેલી નિવૃત્તિ માટે માનવ સંસાધન નીતિ શું છે?”

• “process_order ફંક્શન શું કરે છે?”

o-શ્રેણીના મોડલ

• દરેક પ્રોમ્પ્ટ દીઠ અનેક શોધ: વપરાશકર્તાના દરેક પ્રોમ્પ્ટ માટે અનેક શોધો (સામાન્ય રીતે 2-3) કરી શકે છે, દરેકમાં અનન્ય શોધ શબ્દસમૂહ હોય છે. શોધો ક્રમશઃ ચલાવવામાં આવે છે, અને મોડલ અગાઉની શોધોમાં પ્રાપ્ત માહિતીના આધારે પોતાનો અભિગમ અપડેટ કરી શકે છે.

• અસરકારક ઉપયોગના કિસ્સા: વિસ્તૃત દસ્તાવેજોમાં અનેક લક્ષિત શોધોની જરૂર હોય તેવા જટિલ પ્રશ્નો માટે વધુ યોગ્ય.

ઉદાહરણ ક્વેરીઝ:

• “વહેલા નિવૃત્તિ, માતા-પિતાની રજા અને વિદેશી ટ્રાન્સફર માટે માનવ સંસાધન નીતિઓ શું છે?”

• “process_order ફંક્શન શું કરે છે તે સમજાવો, આ ફંક્શન દ્વારા બોલાવવામાં આવતી બધી પદ્ધતિઓની યાદી આપો અને બોલાવવામાં આવેલી દરેક પદ્ધતિનું સંક્ષિપ્ત વર્ણન કરો.”

તેમની શક્તિઓ હોવા છતાં, જ્યારે કોઈ ક્વેરીને ત્રણથી વધુ શોધોની જરૂર હોય ત્યારે o-શ્રેણીના 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: