ChatGPT Enterprise styður nú lestur og skilning á sjónrænu efni (myndum, gröfum, skýringarmyndum o.s.frv.) sem er fellt inn í PDF-skrár sem fylgja kvaðningum. Notendur geta hlaðið upp PDF-skjali og ChatGPT getur túlkað textann og öll sjónræn atriði í þeirri skrá.
Nánari upplýsingar eru í algengum spurningum um sjónræna endurheimt með PDF-skjölum.
ChatGPT Enterprise gerir þér kleift að hlaða upp skrám á nokkra vegu:
Beint úr tölvunni þinni
Sem GPT-þekking
Sem verkefnisskrá
Úr GPT-aðgerð
Þessi leiðarvísir útskýrir hvernig eiginleikar ChatGPT Enterprise meðhöndla skrár eftir tegund, fjölda og stærð og fjallar um aðferðir til að bæta úttak út frá skráarkröfum.
Samantekt
ChatGPT Enterprise meðhöndlar mismunandi skráargerðir mjög ólíkt: dregur út texta úr textaskjölum eins og PDF-skjölum, kynningum og Word-skrám, greinir skipulögð gögn úr töflureiknum með Python-kóða og lýsir myndaskrám með GPT-Vision. Að skilja hvaða skráargerð kallar fram hvaða verkferli er lykillinn að því að fá vænta niðurstöðu.
Fyrir textabyggð skjöl tekur ChatGPT Enterprise með eins mikinn viðeigandi texta og mögulegt er beint með kvaðningunni og notar leitarkerfi til að nálgast frekari upplýsingar. Þetta virkar vel til að svara sértækum spurningum. Þessi nálgun getur þó átt í erfiðleikum með flókin verkefni eins og að taka saman mjög stór skjöl eða bera saman margar stórar skrár. Lestu áfram til að skilja aðferðir til að bæta niðurstöðurnar þínar.
Meðhöndlun skráa eftir tegund
ChatGPT Enterprise vinnur úr skrám á þrjá meginvegu: textaútdrátt, kóðagreiningu og myndtúlkun. Skráargerðin ákvarðar hvaða verkferli ChatGPT Enterprise fylgir.
| Textabyggð endurheimt | Kóðatúlkur | Myndvinnsla | Sjónræn endurheimt | |
|---|---|---|---|---|
| Dæmi um skráargerðir | pptx, docx, txt, md, json, xml, pdf* * PDF-skjöl sem hlaðið er upp sem GPT-þekking eða verkefnisskrár | csv, xls, xlsx* *Athugið: Kóðatúlkur getur unnið með hvaða skráargerð sem er, en ChatGPT Enterprise velur oftast CI fyrir töflureikna | jpg, png | pdf* * PDF-skjöl sem fylgja kvaðningum notenda |
| Hegðun | Dregur textann út úr skránni – hluti textans er límdur („fylltur“) beint inn í samhengisgluggann; hluti textans er geymdur fyrir leit | Kóðatúlkur sendir skrána til Python til úrvinnslu | Myndir eru túlkaðar á innbyggðan hátt af fjöl-líkana líkönum, með fyrirvara um þekktar takmarkanir . | Blanda af textaendurheimt og myndvinnslu. Texti er dreginn út stafrænt og sjónrænt efni er túlkað á innbyggðan hátt af fjöl-líkana líkönum. |
Fyrir textaskrár, myndaskrár eða greinilega skipulögð gagnaskjöl (t.d. Excel-töflu með færslum) tákna þessar skiptingar bestu mögulegu hegðun.
Það eru nokkur grá svæði sem eru síður augljós, til dæmis:
Myndir sem eru felldar inn í aðrar skrár en PDF-skjöl eru ekki unnar. Til að taka þær með skaltu breyta skránni í PDF áður en þú hleður henni upp.
ChatGPT Enterprise mun alltaf nota kóðatúlk til að vinna með töflureikna, jafnvel þótt skjalið innihaldi mikið magn texta. Til dæmis, ef þú biður ChatGPT Enterprise að þýða CSV-skrá með 10 línum af texta, reynir það að þýða skrána með Python-safni, sem er ónákvæmara en að leyfa líkaninu að búa til þýðingu beint. Til að draga úr þessu skaltu prófa að flytja töflureikninn út á textabyggðu sniði (til dæmis PDF).
Á svipaðan hátt, ef þú hleður upp skipulagðri færslutöflu sem er lýst og geymd í JSON-skrá, túlkar ChatGPT Enterprise þessa skrá sem venjulegan texta. Ef þú vilt greina gögnin sem eru í JSON-skrá skaltu gefa líkaninu fyrirmæli um að nota kóðatúlk í kvaðningunni þinni.
Meðhöndlun skráa eftir stærð
ChatGPT Enterprise notar líkön með hámarks samhengisglugga upp á 128 þúsund tóka (um það bil 200 textasíður). Ekki eru þó allir tókar notaðir til að fella inn textann úr upphlöðnum skrám. Fjöldi „innfelldra“ tóka er breytilegur eftir notkunartegund.
ChatGPT Enterprise „fyllir“ inn ákveðið magn af texta og afgangurinn er sendur í einkaleitarskrá („vektorageymslu“, sem er tegund gagnagrunns sem er hönnuð til að geyma og sækja mikið magn texta á skilvirkan hátt). Þegar þú spyrð spurningar sækir ChatGPT Enterprise innfellda textann ásamt viðeigandi bútum sem sóttir eru úr einkaleitarskrá.
Ef þú hleður upp einu skjali tekur ChatGPT Enterprise með texta frá upphafi þar til hámarkinu er náð. Ef þú hleður upp mörgum skjölum tekur ChatGPT Enterprise með hluta af eða allt úr hverju skjali. Allur texti úr skjölunum er einnig sendur í einkaleitarskrá.
Samhengisfylling fyrir textaskjöl
Þessi eiginleiki er í virkri þróun. Því geta eftirfarandi upplýsingar breyst án fyrirvara.
ChatGPT Enterprise getur unnið úr allt að 110 þúsund tókum úr upphlöðnum skjölum í samhengisglugganum. Ef þú hleður upp einu eða fleiri skjölum með samanlagt færri en 110 þúsund tóka verður allt efnið tekið með.
Fyrir eitt skjal sem fer yfir 110 þúsund tóka eru aðeins fyrstu 110 þúsund tókarnir teknir með, frá upphafi. Afgangurinn verður aðeins sendur í einkaleitarskrána.
Ef mörgum skjölum er hlaðið upp og samanlagður fjöldi tóka fer yfir 110 þúsund notar ChatGPT Enterprise tveggja þrepa ferli til að jafna framsetningu skjala:
Dragðu út allt að 55 þúsund tóka, skipt jafnt milli upphlaðinna skjala.
Fyrir skjöl sem fá ekki fulla framsetningu í fyrsta skrefi skal úthluta þeim 55 þúsund tókum sem eftir eru hlutfallslega út frá fjölda tóka sem eftir eru í hverju skjali.
Allir tókar sem eftir eru eru aðeins sendir í einkaleitarskrána.
Þú getur áætlað fjölda tóka í textaskjali með því að afrita texta skjalsins inn í OpenAI-tókavæðarann.
Samhengisfylling fyrir margmiðlunar-PDF-skjöl
Þegar notendur hlaða upp PDF-skjölum sem innihalda bæði texta og myndir gerir sjónræn endurheimt ChatGPT kleift að vinna úr þessum myndum á innbyggðan hátt samhliða stafrænt útdregnum texta. Eftirfarandi skref bæta við stöðluð ferli okkar fyrir samhengismeðhöndlun margmiðlunar-PDF-skjala:
Útdráttur og vektun mynda: Myndir eru dregnar út og vektun þeirra gerð ásamt tengdum stafrænum texta.
Snjöll kvörðun: Myndir eru kvarðaðar sjálfkrafa til að halda jafnvægi milli upplýsingagæða og skilvirkrar notkunar á tiltækum samhengisglugga.
Þegar upphlaðin PDF-skjöl fara yfir 110 þúsund tóka hámarkið eru bæði myndir og texti vektuð í einkaleitarskránni. Textavektanir vísa til viðeigandi mynda, sem gerir ChatGPT kleift að sækja rétt texta- og myndapör út frá fyrirspurnum notenda. Sóttum myndum er síðan unnið úr með innbyggðum fjöl-líkana eiginleikum ChatGPT.
Það er krefjandi að áætla tókaþörf fyrir margmiðlunar-PDF-skjöl nákvæmlega. Prófanir benda til þess að um það bil 350 síður af blönduðum texta og myndum nýti 110 þúsund tóka samhengisgluggann að fullu.
Leitaraðferðir eftir tegund líkans
Bæði líkön í GPT-röðinni og o-röðinni styðja skráaupphleðslur og nota sama rökkerfi fyrir samhengisfyllingu og leitarvektun. Öll líkön framkvæma blandaðar leitir í einkaleitarskrá og sameina lykilorða- og merkingaraðferðir. Í blandaðri leit býr líkanið til leitarorðasamband út frá kvaðningu notandans og einkaleitarskráin sækir viðeigandi texta og myndir í samræmi við það.
Þessi líkön eru þó ólík hvað varðar leit í stórum skjölum sem fara yfir samhengisgluggann:
Líkön í GPT-röðinni
Ein leit fyrir hverja kvaðningu: Líkön í GPT-röðinni framkvæma eina leit fyrir hverja kvaðningu notanda.
Árangursrík notkunartilvik: Tilvalið til að svara einföldum spurningum sem er að finna í umfangsmiklum skjölum.
Dæmi um fyrirspurnir:
„Hver er starfsmannastefnan varðandi snemmbær starfslok?“
„Hvað gerir fallið
process_order?“
Líkön í o-röðinni
Margar leitir fyrir hverja kvaðningu: Getur framkvæmt margar leitir (yfirleitt 2–3) fyrir hverja kvaðningu notanda, hverja með einstöku leitarorðasambandi. Leitir eru framkvæmdar í röð og líkanið getur uppfært nálgun sína út frá upplýsingum sem sóttar voru í fyrri leitum.
Árangursrík notkunartilvik: Henta betur fyrir flóknar spurningar sem krefjast margra markvissra leita í umfangsmiklum skjölum.
Dæmi um fyrirspurnir:
„Hverjar eru starfsmannastefnurnar varðandi snemmbær starfslok, fæðingar- og foreldraorlof og flutning erlendis?“
„Útskýrðu hvað fallið
process_ordergerir, teldu upp allar aðferðir sem þetta fall kallar á og lýstu stuttlega hverri kallaðri aðferð.“
Þrátt fyrir styrkleika sína geta líkön í o-röðinni átt í erfiðleikum þegar fyrirspurn krefst fleiri en þriggja leita.
Ráð til að bæta niðurstöður úr skráaleit
Prófaðu að nota líkan úr o-röðinni fyrir flóknar spurningar sem krefjast margra leita.
Mundu að svör geta verið mismunandi eftir tegund, fjölda og stærð skjala sem þú hleður upp.
Almennt leiðir það til meiri nákvæmni að hlaða inn færri, afmarkaðri skjölum.
Breyttu efnum með mörgum spurningum í stakar spurningar:
Ef þú þarft að þekkja starfsmannastefnur hvers ríkis skaltu spyrja um þær eina í einu.
Ef þú þarft að taka saman mörg skjöl skaltu biðja um eitt skjal í einu. Ef skjalið er mörg hundruð síður skaltu íhuga að skipta því niður í smærri hluta.
Þú gætir beðið ChatGPT Enterprise að skrifa „samantekt samantekta“ ef þú gefur því margar samantektir frekar en heil skjöl.
Ef þú ert með CSV af RFP (hver lína er önnur spurning) skaltu spyrja þessara spurninga einnar í einu í stað þess að hlaða bara inn CSV-skránni og biðja um eitt svar.
Finndu leiðir til að endurskoða svör líkansins. Dæmi um GPT-leiðbeiningar eru hér fyrir neðan:
# Samhengi
Þú ert sérfræðingur í að skilja skjöl. Notandinn ætlar að hengja við skjal og spyrja spurningar. Þeir þurfa að geta tengt svarið þitt aftur við nákvæmlega þann hluta textans sem þú tókst svarið úr.
# Leiðbeiningar
1. Svaraðu spurningu notandans út frá meðfylgjandi skjali hans með því að nota nákvæmlega sniðið hér að neðan
# Snið
- Spurning: { endurtaktu spurningu notandans }
- Svar: { gefðu svar við spurningu notandans }
Heimild:
- - Kaflanúmer: { gefðu upp kaflanúmerið þar sem þú tókst svarið }
- - Kaflaheiti: { gefðu upp kaflaheitið þar sem þú tókst svarið }
- - Nákvæmur texti: { gefðu upp nákvæmlega textann sem þú tókst svarið úr }
# Reglur
- Gefðu skýr og hnitmiðuð svör
- Veittu aðeins upplýsingar sem koma fram í skjalinu
- Ef þú finnur ekki svarið í skjalinu skaltu einfaldlega svara „Engar upplýsingar fundust.“