A ChatGPT Enterprise mostantól az utasításokhoz csatolt PDF-fájlokba ágyazott vizuális elemek (képek, grafikonok, diagramok stb.) olvasását és értelmezését is támogatja. A felhasználók feltölthetnek egy PDF-et, a ChatGPT pedig képes értelmezni a fájl szövegét és az összes benne található vizuális elemet.
További részletek: Gyakori kérdések a PDF-ekben végzett vizuális információ-visszakeresésről.
A ChatGPT Enterprise-ba többféleképpen is feltölthetsz fájlokat:
Közvetlenül a számítógépedről
A Google Drive / SharePoint / OneDrive tárhelyéről
Egy GPT-műveletből
Ez az útmutató bemutatja, hogyan kezelik a ChatGPT Enterprise funkciói a fájlokat típusuk, számuk és méretük alapján, valamint azt, hogy a fájlok sajátosságaihoz igazodva hogyan érhetsz el jobb eredményeket.
Összefoglaló
A ChatGPT Enterprise az egyes fájltípusokat egészen eltérően kezeli: a szöveges dokumentumokból, például PDF-ekből, prezentációkból és Word-fájlokból kinyeri a szöveget, a táblázatok strukturált adatait Python-kóddal elemzi, a képfájlokat pedig a GPT-Vision segítségével írja le. A várt eredmény eléréséhez kulcsfontosságú tudni, hogy melyik fájltípus milyen feldolgozási folyamatot indít el.
Szöveges dokumentumok esetén a ChatGPT Enterprise a lehető legtöbb releváns szöveget közvetlenül az utasítás mellé illeszti, a további információkat pedig egy keresőrendszeren keresztül éri el. Ez jól működik konkrét kérdések megválaszolásakor. Az összetett feladatok azonban, például a nagyon nagy dokumentumok összefoglalása vagy több nagy fájl összehasonlítása, nehézséget jelenthetnek ennél a megközelítésnél. Olvass tovább, és ismerd meg, hogyan érhetsz el jobb eredményeket.
Fájlok kezelése típus szerint
A ChatGPT Enterprise három fő módon dolgozza fel a fájlokat: szövegkinyeréssel, kódalapú elemzéssel és képértelmezéssel. A fájltípus határozza meg, hogy a ChatGPT Enterprise melyik feldolgozási folyamatot alkalmazza.
| Szövegalapú visszakeresés | Kódértelmező | Képfeldolgozás | Vizuális információ-visszakeresés | |
|---|---|---|---|---|
| Példák fájltípusokra | pptx, docx, txt, md, json, xml, pdf* * A GPT tudásanyagaként vagy projektfájlként feltöltött PDF-ek | csv, xls, xlsx* *Megjegyzés: A kódértelmező bármilyen fájltípussal képes dolgozni, de a ChatGPT Enterprise leggyakrabban a táblázatoknál használja alapértelmezés szerint. | jpg, png | pdf* * A felhasználói utasításokhoz csatolt PDF-ek |
| Működés | Kinyeri a szöveget a fájlból – egy részét közvetlenül beilleszti („betölti”) a kontextusablakba, a többit pedig eltárolja a kereséshez. | A kódértelmező átadja a fájlt a Pythonnak feldolgozásra. | A képeket a multimodális modellek natívan értelmezik, az ismert korlátok mellett. | A szöveges visszakeresés és a képfeldolgozás kombinációja. A szöveg kinyerése digitálisan történik, a vizuális tartalmat pedig a multimodális modellek natívan értelmezik. |
A csak szöveget tartalmazó fájlok, a képfájlok és az egyértelműen strukturált adatfájlok (például egy tranzakciókat tartalmazó Excel-táblázat) esetén ez a felosztás biztosítja a lehető legjobb működést.
Vannak azonban kevésbé egyértelmű esetek is, például:
A rendszer nem dolgozza fel a nem PDF-formátumú fájlokba ágyazott képeket. Ha ezeket is szeretnéd feldolgoztatni, feltöltés előtt alakítsd át a fájlt PDF-fé.
A ChatGPT Enterprise a táblázatok kezeléséhez mindig a kódértelmezőt használja, még akkor is, ha a dokumentum nagy mennyiségű szöveget tartalmaz. Ha például arra kéred a ChatGPT Enterprise-t, hogy fordítson le egy 10 sor szöveget tartalmazó CSV-fájlt, egy Python-könyvtár segítségével próbálja meg lefordítani. Ez kevésbé pontos, mint ha a modell közvetlenül készítené el a fordítást. Ennek elkerülésére próbáld meg szöveges formátumba (például PDF-be) exportálni a táblázatot.
Hasonlóképpen, ha egy JSON-fájlban tárolt, strukturált tranzakciós táblázatot töltesz fel, a ChatGPT Enterprise egyszerű szövegként értelmezi a fájlt. Ha egy JSON-fájl adatait szeretnéd elemezni, az utasításodban kérd meg a modellt, hogy használja a kódértelmezőt.
Fájlok kezelése méret alapján
A ChatGPT Enterprise legfeljebb 128k tokenes kontextusablakkal rendelkező modelleket használ (ez nagyjából 200 oldalnyi szöveg). Azonban nem minden token szolgál a feltöltött fájlok szövegének beépítésére. A „betöltött” tokenek száma a használat típusától függően változik.
A ChatGPT Enterprise bizonyos mennyiségű szöveget „betölt”, a fennmaradó szöveg pedig egy privát keresési indexbe kerül (egy „vektortárba”, amely nagy mennyiségű szöveg hatékony tárolására és lekérésére tervezett adatbázistípus). Amikor kérdést teszel fel, a ChatGPT Enterprise a beillesztett szöveget a privát keresési indexből lekért releváns részekkel együtt használja fel.
Ha egyetlen dokumentumot töltesz fel, a ChatGPT Enterprise a dokumentum elejétől kezdve addig illeszt be szöveget, amíg el nem éri a korlátját. Ha több dokumentumot töltesz fel, a ChatGPT Enterprise mindegyik dokumentum egy részét vagy egészét beilleszti. A dokumentumok teljes szövege egy privát keresési indexbe is bekerül.
Kontextusfeltöltés szöveges dokumentumokhoz
Ez a funkció aktív fejlesztés alatt áll. Ennek megfelelően az alábbi részletek előzetes értesítés nélkül változhatnak.
A ChatGPT Enterprise legfeljebb 110 ezer tokent tud feldolgozni a feltöltött dokumentumokból a kontextusablakban. Ha egy vagy több dokumentumot töltesz fel, és ezek összesen kevesebb mint 110 ezer tokent tartalmaznak, a teljes tartalmuk bekerül a kontextusablakba.
Ha egyetlen dokumentum több mint 110 ezer tokent tartalmaz, csak a dokumentum elejétől számított első 110 ezer token kerül be. A fennmaradó rész csak a privát keresési indexbe kerül.
Ha több dokumentumot töltesz fel, és ezek együttesen meghaladják a 110 ezer tokent, a ChatGPT Enterprise az alábbi eljárással biztosítja, hogy a dokumentumok kiegyensúlyozottan jelenjenek meg a kontextusban:
Legfeljebb 55 ezer tokent nyer ki, a keretet egyenlően elosztva a feltöltött dokumentumok között.
Az első lépésben nem teljes egészükben beillesztett dokumentumok között arányosan osztja el a fennmaradó 55 ezer tokennyi keretet, az egyes dokumentumokból kimaradt tokenek száma alapján.
A fennmaradó tokenek csak a privát keresési indexbe kerülnek.
Egy szöveges dokumentum tokenszámát úgy becsülheted meg, hogy a szövegét bemásolod az OpenAI tokenizálójába.
A kontextus feltöltése multimédiás PDF-ek tartalmával
Amikor a felhasználók szöveget és képeket egyaránt tartalmazó PDF-eket töltenek fel, a vizuális információ-visszakeresés lehetővé teszi a ChatGPT számára, hogy a képeket a digitálisan kinyert szöveggel együtt, natívan dolgozza fel. Multimédiás PDF-ek esetén a szokásos kontextuskezelési eljárásaink az alábbi lépésekkel egészülnek ki:
Képek kinyerése és beágyazása: A rendszer kinyeri a képeket, és a hozzájuk kapcsolódó digitális szöveggel együtt beágyazza őket.
Intelligens átméretezés: A rendszer automatikusan átméretezi a képeket, hogy egyensúlyt teremtsen az információ minősége és a rendelkezésre álló kontextusablak hatékony kihasználása között.
Ha a feltöltött PDF-ek meghaladják a 110 ezer tokenes korlátot, a képek és a szöveg egyaránt beágyazásra kerülnek a privát keresési indexbe. A szövegbeágyazások hivatkoznak a kapcsolódó képekre, így a ChatGPT a felhasználó kérdései alapján le tudja kérni a megfelelő szöveg–kép párokat. A visszakeresett képeket ezután a ChatGPT a natív multimodális képességeivel dolgozza fel.
A multimédiás PDF-ek tokenigényét nehéz pontosan megbecsülni. A tesztek alapján körülbelül 350 oldalnyi, szöveget és képeket vegyesen tartalmazó anyag tölti ki teljesen a 110 ezer tokenes kontextusablakot.
Keresési stratégiák modelltípus alapján
A GPT-sorozatú és az o-sorozatú modellek egyaránt támogatják a fájlfeltöltést, és azonos kontextusfeltöltési és keresési beágyazási logikát használnak. Minden modell hibrid kereséseket hajt végre egy privát keresési indexen, kulcsszavas és szemantikus módszereket kombinálva. Hibrid keresés esetén a modell a felhasználó utasítása alapján keresési kifejezést generál, a privát keresési index pedig ennek megfelelően lekéri a releváns szövegeket és képeket.
Ezek a modellek azonban eltérnek abban, hogyan keresnek a kontextusablakot meghaladó nagy dokumentumokban:
GPT-sorozatú modellek
Egy keresés utasításonként: A GPT-sorozatú modellek felhasználói utasításonként egy keresést végeznek.
Hatékony felhasználási módok: Ideális a kiterjedt dokumentációban szereplő egyszerű kérdések megválaszolásához.
Példák lekérdezésekre:
„Milyen HR-szabályzat vonatkozik a korai nyugdíjazásra?”
„Mit csinál a process_order függvény?”
o-sorozatú modellek
Több keresés utasításonként: Felhasználói utasításonként több, jellemzően 2–3 keresést is képes végrehajtani, mindegyiket egyedi keresőkifejezéssel. A keresések egymás után futnak le, a modell pedig a korábbi keresések során talált információk alapján módosíthatja a megközelítését.
Hatékony felhasználási módok: Alkalmasabb olyan összetett kérdésekhez, amelyek kiterjedt dokumentációban végzett, több célzott keresést igényelnek.
Példák lekérdezésekre:
„Milyen HR-szabályzatok vonatkoznak a korai nyugdíjazásra, a szülői szabadságra és a külföldi áthelyezésre?”
„Ismertesse, mit csinál a process_order függvény, sorolja fel az általa meghívott összes metódust, és röviden mutassa be mindegyiket.”
Erősségeik ellenére az o-sorozatú modellek nehézségekbe ütközhetnek, ha egy lekérdezés háromnál több keresést igényel.
Tippek a fájlkeresési eredmények javításához
Összetett, több keresést igénylő kérdésekhez próbálj meg o-sorozatú modellt használni.
Ne feledd, hogy a válaszok a feltöltött dokumentumok típusától, számától és méretétől függően eltérhetnek.
Általában kevesebb, célzott dokumentum betöltése nagyobb pontosságot eredményez.
Alakítsd az összetett, több kérdésből álló témákat egyedi kérdésekké:
Ha minden állam HR-irányelveire szükséged van, kérdezd le őket egyenként.
Ha sok dokumentumot kell összefoglalnod, egyszerre egy dokumentumról kérj összefoglalót. Ha az adott dokumentum sok száz oldalas, érdemes kisebb részekre bontani.
Megkérheted a ChatGPT Enterprise-t, hogy írjon „összefoglalók összefoglalóját”, ha teljes dokumentumok helyett több összefoglalót adtál meg neki.
Ha egy RFP-t tartalmazó CSV-d van (ahol minden sor más-más kérdés), ahelyett, hogy csak betöltenéd a CSV-t és egyetlen választ kérnél, tedd fel ezeket a kérdéseket egyenként.
Keress módszereket a modell válaszainak ellenőrzésére. Az alábbiakban példa GPT-utasítások találhatók:
# Kontextus
Szakértője a dokumentumok megértésének. A felhasználó csatolni fog egy dokumentumot, és feltesz egy kérdést. Képesnek kell lennie arra, hogy a válaszát visszakösse a szöveg pontos részéhez, ahonnan a választ vette.
# Utasítások
1. Válaszolja meg a felhasználó kérdését a csatolt dokumentum alapján az alább megadott pontos formátumban
# Formátum
- Kérdés: { ismételje meg a felhasználó kérdését }
- Válasz: { adjon választ a felhasználó kérdésére }
Forrás:
- - Szakasz száma: { adja meg annak a szakasznak a számát, ahonnan a választ vette }
- - Szakasz címe: { adja meg annak a szakasznak a címét, ahonnan a választ vette }
- - Pontos szöveg: { adja meg a pontos szöveget, ahonnan a választ vette }
# Szabályok
- Adjon világos és tömör válaszokat
- Csak a dokumentumban szereplő információkat adja meg
- Ha nem találja a választ a dokumentumban, egyszerűen ezt válaszolja: „Nem található információ.”