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.
Í ChatGPT Enterprise er hægt að hlaða upp skrám á ýmsa vegu:
Beint úr tölvunni þinni
Sem GPT-þekking
Sem verkefnisskrá
Úr GPT-aðgerð
Þessi leiðarvísir útskýrir hvernig eiginleikar ChatGPT Enterprise meðhöndla skrár eftir gerð, fjölda og stærð þeirra og fjallar um leiðir til að bæta úttak í samræmi við kröfur skráa.
Samantekt
ChatGPT Enterprise meðhöndlar ólíkar skráargerðir með mjög mismunandi hætti: dregur texta úr textaskjölum á borð við PDF-skrár, kynningar og Word-skrár, greinir skipulögð gögn úr töflureiknum með Python-kóða og lýsir myndskrám með GPT-Vision. Til að fá væntanlega niðurstöðu er mikilvægt að skilja hvaða verkferli hver skráargerð virkjar.
Fyrir textaskjöl setur ChatGPT Enterprise eins mikinn viðeigandi texta og mögulegt er beint með kvaðningunni og notar leitarkerfi til að nálgast frekari upplýsingar. Þetta hentar vel til að svara afmörkuðum spurningum. Þessi nálgun getur þó átt í erfiðleikum með flókin verkefni, svo sem að draga saman mjög stór skjöl eða bera saman margar stórar skrár. Lestu áfram til að kynna þér leiðir til að bæta niðurstöðurnar.
Meðhöndlun skráa eftir gerð
ChatGPT Enterprise vinnur úr skrám á þrjá meginvegu: með textaútdrætti, kóðagreiningu og myndtúlkun. Skráargerðin ræður því hvaða verkferli ChatGPT Enterprise fylgir.
| Textamiðuð upplýsingaöflun | Kóðatúlkur | Myndvinnsla | Sjónræn upplýsingaöflun | |
|---|---|---|---|---|
| Dæmi um skráargerðir | pptx, docx, txt, md, json, xml, pdf* * PDF-skrár sem hlaðið er upp sem GPT-þekkingu eða verkefnisskrám | csv, xls, xlsx* *Athugaðu: Kóðatúlkur getur unnið með hvaða skráargerð sem er, en ChatGPT Enterprise notar oftast CI sjálfgefið fyrir töflureikna | jpg, png | pdf* * PDF-skrár sem fylgja kvaðningum notenda |
| Hegðun | Dregur textann úr skránni – hluti textans er settur („troðið“) beint í samhengisgluggann og hluti hans er geymdur fyrir leit | Kóðatúlkur sendir skrána til Python til vinnslu | Myndir eru túlkaðar beint af fjöl-líkan líkönum, með fyrirvara um þekktar takmarkanir . | Sambland af textaöflun og myndvinnslu. Texti er dreginn út stafrænt og myndefni túlkað beint af fjöl-líkan líkönum. |
Fyrir skrár sem innihalda aðeins texta, myndskrár eða skýrt skipulagðar gagnaskrár (t.d. Excel-töflu yfir færslur) gefur þessi skipting bestu mögulegu hegðun.
Sum tilvik eru þó á gráu svæði og ekki eins augljós, til dæmis:
Myndir sem eru felldar inn í aðrar skrár en PDF-skrár eru ekki unnar. Til að þær fylgi með skaltu umbreyta skránni í PDF áður en henni er hlaðið upp.
ChatGPT Enterprise notar alltaf kóðatúlk til að vinna með töflureikna, jafnvel þótt skjalið innihaldi mikinn texta. Ef þú biður ChatGPT Enterprise til dæmis að þýða CSV-skrá með 10 textalínum reynir það að þýða skrána með Python-safni. Það er ónákvæmara en að láta líkanið búa þýðinguna til beint. Til að draga úr þessu skaltu prófa að flytja töflureikninn út á textamiðuðu sniði, til dæmis PDF.
Ef þú hleður á sama hátt upp skipulagðri færslutöflu í JSON-skrá túlkar ChatGPT Enterprise skrána sem óbreyttan texta. Ef þú vilt greina gögnin í JSON-skrá skaltu biðja líkanið í kvaðningunni um að nota kóðatúlk.
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-línunni
Ein leit fyrir hverja kvaðningu: Líkön í GPT-línunni framkvæma eina leit fyrir hverja kvaðningu notanda.
Hentug notkunartilvik: Tilvalin til að svara einföldum spurningum sem finna má svör við í umfangsmiklum gögnum.
Dæmi um fyrirspurnir:
„Hver er starfsmannastefnan um snemmbær starfslok?“
„Hvað gerir fallið process_order?“
Líkön í o-línunni
Margar leitir fyrir hverja kvaðningu: Geta framkvæmt margar leitir (yfirleitt 2–3) fyrir hverja kvaðningu notanda, hverja með sérstöku leitarorðalagi. Leitirnar eru framkvæmdar í röð og líkanið getur breytt nálgun sinni út frá upplýsingum sem fengust úr fyrri leitum.
Hentug notkunartilvik: Henta betur fyrir flóknar spurningar sem krefjast margra markvissra leita í umfangsmiklum gögnum.
Dæmi um fyrirspurnir:
„Hverjar eru starfsmannastefnurnar um snemmbær starfslok, foreldraorlof og flutning til útlanda?“
„Útskýrðu hvað fallið process_order gerir, tilgreindu allar aðferðir sem fallið kallar á og lýstu hverri þeirra stuttlega.“
Þrátt fyrir styrkleika sína geta líkön í o-línunni 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.“