ChatGPT Enterprise kini dapat membaca dan memahami elemen visual (gambar, grafik, diagram, dan sebagainya) yang disematkan dalam file PDF yang disertakan dalam prompt. Pengguna dapat mengunggah PDF, dan ChatGPT dapat menafsirkan teks serta semua elemen visual di dalam file tersebut.
Untuk detailnya, lihat: Tanya Jawab tentang Pengambilan Visual pada PDF.
ChatGPT Enterprise memungkinkan Anda mengunggah file dengan beberapa cara:
Langsung dari komputer Anda
Sebagai Pengetahuan GPT
Sebagai File Proyek
Dari Tindakan GPT
Panduan ini menjelaskan cara fitur ChatGPT Enterprise menangani file berdasarkan jenis, jumlah, dan ukurannya, serta membahas strategi untuk meningkatkan kualitas hasil sesuai kebutuhan pemrosesan file.
Ringkasan
ChatGPT Enterprise menangani setiap jenis file dengan cara yang sangat berbeda: mengekstrak teks dari dokumen seperti PDF, presentasi, dan file Word, menganalisis data terstruktur dari spreadsheet menggunakan kode Python, serta mendeskripsikan file gambar melalui GPT-Vision. Memahami alur kerja yang dipicu oleh setiap jenis file adalah kunci untuk mendapatkan hasil yang diharapkan.
Untuk dokumen berbasis teks, ChatGPT Enterprise menyertakan sebanyak mungkin teks yang relevan secara langsung bersama prompt dan menggunakan sistem pencarian untuk mengakses informasi tambahan. Cara ini efektif untuk menjawab pertanyaan spesifik. Namun, pendekatan ini dapat mengalami kesulitan saat menangani tugas kompleks seperti merangkum dokumen yang sangat besar atau membandingkan beberapa file besar. Baca lebih lanjut untuk memahami strategi mendapatkan hasil yang lebih baik.
Penanganan file berdasarkan jenisnya
ChatGPT Enterprise memproses file dengan tiga cara utama: ekstraksi teks, analisis menggunakan kode, dan interpretasi gambar. Jenis file menentukan alur kerja yang digunakan ChatGPT Enterprise.
| Pengambilan informasi berbasis teks | Penerjemah Kode | Pemrosesan gambar | Pengambilan Visual | |
|---|---|---|---|---|
| Contoh jenis file | pptx, docx, txt, md, json, xml, pdf* * PDF yang diunggah sebagai Pengetahuan GPT atau File Proyek | csv, xls, xlsx* *Catatan: Penerjemah Kode dapat memproses jenis file apa pun, tetapi ChatGPT Enterprise biasanya menggunakannya secara default untuk spreadsheet | jpg, png | pdf* * PDF yang disertakan dalam prompt pengguna |
| Cara kerja | Mengekstrak teks dari file—sebagian teks ditempelkan (“dimasukkan”) langsung ke jendela konteks; sebagian lainnya disimpan untuk pencarian | Penerjemah Kode meneruskan file ke Python untuk diproses | Gambar ditafsirkan langsung oleh model multimodal, dengan keterbatasan yang diketahui. | Gabungan pengambilan informasi teks dan pemrosesan gambar. Teks diekstrak secara digital, sedangkan konten visual ditafsirkan langsung oleh model multimodal. |
Untuk file yang hanya berisi teks, file gambar, atau file data dengan struktur yang jelas (misalnya tabel transaksi Excel), pembagian alur kerja ini memberikan cara pemrosesan yang paling optimal.
Namun, ada beberapa kasus yang penanganannya tidak begitu jelas, misalnya:
Gambar yang disematkan dalam file selain PDF tidak diproses. Agar gambar tersebut ikut diproses, konversikan file ke PDF sebelum mengunggahnya.
ChatGPT Enterprise akan selalu menggunakan Penerjemah Kode untuk menangani spreadsheet, meskipun dokumen tersebut berisi banyak teks. Misalnya, jika Anda meminta ChatGPT Enterprise menerjemahkan file CSV dengan 10 baris teks, ChatGPT Enterprise akan mencoba menerjemahkannya menggunakan pustaka Python. Hasilnya kurang akurat dibandingkan jika model menghasilkan terjemahan secara langsung. Untuk mengurangi masalah ini, coba ekspor spreadsheet ke format berbasis teks (misalnya PDF).
Demikian pula, jika Anda mengunggah tabel transaksi terstruktur dalam file JSON, ChatGPT Enterprise akan menafsirkan file tersebut sebagai teks biasa. Jika Anda ingin menganalisis data dalam file JSON, sertakan instruksi dalam prompt agar model menggunakan Penerjemah Kode.
Menangani file berdasarkan ukuran
ChatGPT Enterprise menggunakan model dengan jendela konteks maksimum 128 ribu token (sekitar 200 halaman teks). Namun, tidak semua token digunakan untuk memasukkan teks dari file yang diunggah. Jumlah token yang “diisikan” bervariasi menurut jenis penggunaan.
ChatGPT Enterprise “mengisikan” sejumlah teks, dan teks sisanya dikirim ke indeks pencarian privat (“penyimpanan vektor”, yaitu jenis basis data yang dirancang untuk menyimpan dan mengambil teks dalam jumlah besar secara efisien). Saat Anda mengajukan pertanyaan, ChatGPT Enterprise memasukkan teks yang disertakan bersama potongan relevan yang diambil dari indeks pencarian privat.
Jika Anda mengunggah satu dokumen, ChatGPT Enterprise menyertakan teks mulai dari awal hingga mencapai batasnya. Jika Anda mengunggah beberapa dokumen, ChatGPT Enterprise menyertakan sebagian atau seluruh isi tiap dokumen. Semua teks dari dokumen juga dikirim ke indeks pencarian privat.
Pengisian konteks untuk dokumen teks
Fitur ini sedang aktif dikembangkan. Karena itu, detail berikut dapat berubah tanpa pemberitahuan.
ChatGPT Enterprise dapat memproses hingga 110 ribu token dari dokumen yang diunggah dalam jendela konteks. Jika Anda mengunggah satu atau beberapa dokumen dengan total gabungan kurang dari 110 ribu token, seluruh isinya akan disertakan.
Untuk satu dokumen yang melebihi 110 ribu token, hanya 110 ribu token pertama yang akan disertakan, dihitung dari awal dokumen. Sisanya hanya akan dikirim ke indeks pencarian privat.
Jika beberapa dokumen diunggah dan total gabungannya melebihi 110 ribu token, ChatGPT Enterprise menggunakan proses berikut agar porsi konten dari setiap dokumen tetap seimbang:
Mengekstrak hingga 55 ribu token, dengan kuota yang dibagi merata di antara dokumen yang diunggah.
Untuk dokumen yang belum tercakup sepenuhnya pada langkah pertama, mengalokasikan kuota 55 ribu token yang tersisa secara proporsional berdasarkan jumlah token yang belum tercakup di setiap dokumen.
Token yang masih tersisa hanya dikirim ke indeks pencarian privat.
Anda dapat memperkirakan jumlah token dalam dokumen teks dengan menyalin teks dokumen ke Tokenizer OpenAI.
Pengisian konteks untuk PDF multimedia
Saat pengguna mengunggah PDF yang berisi teks dan gambar, Pengambilan Visual memungkinkan ChatGPT memproses gambar tersebut secara langsung bersama teks yang diekstrak secara digital. Langkah-langkah berikut melengkapi prosedur standar kami dalam menangani konteks untuk PDF multimedia:
Ekstraksi dan Penyematan Gambar: Gambar diekstrak dan disematkan bersama teks digital yang terkait.
Penyesuaian Ukuran Cerdas: Ukuran gambar disesuaikan secara otomatis untuk menjaga keseimbangan antara kualitas informasi dan efisiensi penggunaan jendela konteks yang tersedia.
Jika PDF yang diunggah melebihi batas 110 ribu token, gambar dan teks akan disematkan dalam indeks pencarian privat. Penyematan teks merujuk ke gambar yang relevan, sehingga ChatGPT dapat mengambil pasangan teks dan gambar yang sesuai berdasarkan kueri pengguna. Gambar yang diambil kemudian diproses menggunakan kemampuan multimodal bawaan ChatGPT.
Kebutuhan token untuk PDF multimedia sulit diperkirakan secara akurat. Pengujian menunjukkan bahwa sekitar 350 halaman yang berisi campuran teks dan gambar akan memenuhi jendela konteks berkapasitas 110 ribu token.
Strategi pencarian berdasarkan jenis model
Model seri GPT dan seri o sama-sama mendukung unggahan file serta menggunakan logika pengisian konteks dan embedding pencarian yang identik. Semua model menjalankan pencarian hibrida terhadap indeks pencarian privat, dengan menggabungkan metode kata kunci dan semantik. Dalam pencarian hibrida, model menghasilkan frasa pencarian berdasarkan prompt pengguna, lalu indeks pencarian privat mengambil teks dan gambar yang relevan sesuai kebutuhan.
Namun, model-model ini berbeda dalam cara menelusuri dokumen besar yang melebihi jendela konteks:
model seri GPT
Satu pencarian per prompt: Model seri GPT menjalankan satu pencarian untuk setiap prompt pengguna.
Kasus penggunaan yang efektif: Ideal untuk menjawab pertanyaan sederhana yang jawabannya terdapat dalam dokumentasi yang luas.
Contoh kueri:
"Apa kebijakan SDM untuk pensiun dini?"
"Apa fungsi process_order?"
model seri o
Beberapa pencarian per prompt: Dapat menjalankan beberapa pencarian (biasanya 2–3) untuk setiap prompt pengguna, masing-masing dengan frasa pencarian unik. Pencarian dijalankan secara berurutan, dan model dapat memperbarui pendekatannya berdasarkan informasi yang diperoleh dari pencarian sebelumnya.
Kasus penggunaan yang efektif: Lebih cocok untuk pertanyaan kompleks yang memerlukan beberapa pencarian tertarget dalam dokumentasi yang luas.
Contoh kueri:
"Apa kebijakan SDM untuk pensiun dini, cuti orang tua, dan mutasi ke luar negeri?"
"Jelaskan fungsi process_order, cantumkan semua metode yang dipanggil oleh fungsi ini, dan jelaskan secara singkat setiap metode tersebut."
Terlepas dari keunggulannya, model seri o mungkin kesulitan menangani kueri yang memerlukan lebih dari tiga pencarian.
Tips untuk meningkatkan hasil pencarian file
Cobalah menggunakan model seri o untuk pertanyaan kompleks yang memerlukan beberapa pencarian.
Ingat bahwa respons dapat bervariasi tergantung pada jenis, jumlah, dan ukuran dokumen yang Anda unggah.
Secara umum, memuat lebih sedikit dokumen yang terfokus akan menghasilkan akurasi yang lebih tinggi.
Ubah topik multi-pertanyaan menjadi pertanyaan tunggal:
Jika Anda perlu mengetahui kebijakan SDM setiap negara bagian, tanyakan satu per satu.
Jika Anda perlu meringkas banyak dokumen, mintalah satu dokumen setiap kali. Jika dokumen itu terdiri dari ratusan halaman, pertimbangkan untuk memecahnya menjadi komponen yang lebih kecil.
Anda dapat meminta ChatGPT Enterprise menulis “ringkasan dari berbagai ringkasan” jika Anda memberinya beberapa ringkasan, bukan seluruh dokumen.
Jika Anda memiliki CSV dari sebuah RFP (setiap baris adalah pertanyaan yang berbeda), ajukan pertanyaan tersebut satu per satu daripada hanya memuat CSV dan meminta satu respons.
Temukan cara untuk mengaudit respons model. Contoh instruksi GPT ada di bawah ini:
# Konteks
Anda adalah pakar dalam memahami dokumen. Pengguna akan melampirkan dokumen dan mengajukan pertanyaan. Mereka perlu dapat menghubungkan jawaban Anda kembali ke bagian teks yang tepat tempat Anda mengambil jawaban.
# Instruksi
1. Jawab pertanyaan pengguna berdasarkan dokumen terlampir mereka menggunakan format persis yang disediakan di bawah ini
# Format
- Pertanyaan: { repeat user's question }
- Jawaban: { provide an answer to user's question }
Sumber:
- - Nomor Bagian: { provide section number where you pulled in the answer }
- - Judul Bagian: { provide section title where you pulled in the answer }
- - Teks Persis: { provide the exact text where you pulled the answer from }
# Aturan
- Berikan jawaban yang jelas dan ringkas
- Hanya berikan informasi yang tersedia dalam dokumen
- Jika Anda tidak dapat menemukan jawaban dalam dokumen, cukup balas "Tidak ada informasi yang ditemukan."