ChatGPT Enterprise は、プロンプトに含まれる PDF ファイル内の視覚要素（画像、グラフ、図など）の読み取りと理解に対応しました。PDF をアップロードすると、ChatGPT はファイル内のテキストだけでなく、視覚要素も解釈できます。
詳しくは、PDF のビジュアル検索に関するよくある質問をご覧ください。
ChatGPT Enterprise では、次の方法でファイルをアップロードできます。
コンピューターから直接
GPT の知識として
プロジェクトファイルとして
このガイドでは、ChatGPT Enterprise の各機能がファイルの種類、数、サイズに応じてどのように処理するかを説明し、ファイルの要件に合わせて出力を改善する方法を紹介します。
概要
ChatGPT Enterprise の処理方法は、ファイルの種類によって大きく異なります。PDF、プレゼンテーション、Word ファイルなどの文書からはテキストを抽出し、スプレッドシートの構造化データは Python コードで分析し、画像ファイルは GPT-Vision で内容を説明します。期待どおりの結果を得るには、ファイルの種類ごとにどの処理フローが使われるかを理解することが重要です。
テキストベースの文書では、ChatGPT Enterprise は関連するテキストをできるだけ多くプロンプトとともに直接取り込み、追加の情報には検索システムを使ってアクセスします。この方法は、具体的な質問に答える場合に有効です。ただし、非常に大きな文書の要約や複数の大きなファイルの比較など、複雑なタスクには十分に対応できないことがあります。より良い結果を得るための方法を、以下で紹介します。
ファイルの種類別の処理方法
ChatGPT Enterprise は、主にテキストの抽出、コードによる分析、画像の解釈という 3 つの方法でファイルを処理します。ChatGPT Enterprise がどの処理フローを使うかは、ファイルの種類によって決まります。
| テキストベースの検索 | Code Interpreter | 画像処理 | ビジュアル検索 | |
|---|---|---|---|---|
| ファイルの種類の例 | pptx, docx, txt, md, json, xml, pdf* * GPT の知識またはプロジェクトファイルとしてアップロードされた PDF | csv, xls, xlsx* *注：Code Interpreter はどの種類のファイルでも処理できますが、ChatGPT Enterprise が標準で CI を使用するのは、主にスプレッドシートの場合です。 | jpg, png | pdf* * ユーザーのプロンプトに含まれる PDF |
| 動作 | ファイルからテキストを抽出します。一部はコンテキストウィンドウに直接貼り付け（「取り込み」）、残りは検索用に保存します。 | Code Interpreter がファイルを Python に渡して処理します。 | マルチモーダルモデルが画像を直接解釈します。ただし、既知の制限事項が適用されます。 | テキスト検索と画像処理を組み合わせた方式です。テキストはデジタルデータとして抽出され、視覚的な内容はマルチモーダルモデルが直接解釈します。 |
テキストのみのファイル、画像ファイル、明確に構造化されたデータファイル（Excel の取引一覧表など）では、この使い分けによって最適な処理が可能になります。
ただし、次のように、どの処理になるかが分かりにくいケースもあります。
PDF 以外のファイルに埋め込まれた画像は処理されません。これらの画像も処理対象に含めるには、アップロード前にファイルを PDF に変換してください。
ChatGPT Enterprise は、スプレッドシートに大量のテキストが含まれていても、常に Code Interpreter を使用して処理します。たとえば、10 行のテキストを含む CSV ファイルの翻訳を ChatGPT Enterprise に依頼すると、Python ライブラリを使って翻訳しようとします。この方法は、モデルが直接翻訳を生成する場合よりも精度が低くなります。これを避けるには、スプレッドシートをテキストベースの形式（PDF など）にエクスポートしてみてください。
同様に、構造化された取引データの表を含む JSON ファイルをアップロードすると、ChatGPT Enterprise はそのファイルをプレーンテキストとして解釈します。JSON ファイル内のデータを分析したい場合は、プロンプトで Code Interpreter を使うようモデルに指示してください。
サイズに基づくファイル処理
ChatGPT Enterprise は、最大 128k トークン（テキスト約 200 ページ）のコンテキストウィンドウを持つモデルを使用します。ただし、すべてのトークンがアップロードされたファイルのテキストを取り込むために使われるわけではありません。「詰め込まれる」トークン数は、用途によって異なります。
ChatGPT Enterprise は一定量のテキストを「詰め込み」、残りのテキストをプライベート検索インデックス（大量のテキストを効率的に保存・取得するために設計されたデータベースの一種である「ベクターストア」）に送信します。質問すると、ChatGPT Enterprise は含まれているテキストに加え、プライベート検索インデックスから取得した関連チャンクを取り込みます。
単一のドキュメントをアップロードした場合、ChatGPT Enterprise は上限に達するまで先頭からテキストを含めます。複数のドキュメントをアップロードした場合、ChatGPT Enterprise は各ドキュメントの一部または全部を含めます。ドキュメント内のすべてのテキストもプライベート検索インデックスに送信されます。
テキストドキュメントのコンテキスト詰め込み
この機能は現在活発に開発中です。そのため、以下の詳細は予告なく変更される場合があります。
ChatGPT Enterprise は、アップロードされた文書のうち最大 110,000 トークンをコンテキストウィンドウ内で処理できます。アップロードした文書が 1 つでも複数でも、合計が 110,000 トークン未満であれば、内容全体が含まれます。
1 つの文書が 110,000 トークンを超える場合は、先頭から 110,000 トークンのみが含まれます。残りの内容は、非公開の検索インデックスにのみ送られます。
複数の文書をアップロードし、その合計が 110,000 トークンを超える場合、ChatGPT Enterprise は各文書の内容をバランスよく含めるために、次の手順で処理します。
アップロードされた各文書に均等に枠を割り当て、合計で最大 55,000 トークンを抽出します。
最初の手順で全文が含まれなかった文書には、それぞれの残りのトークン数に比例して、残りの 55,000 トークンの枠を割り当てます。
それでも残ったトークンは、非公開の検索インデックスにのみ送られます。
テキスト文書のトークン数は、文書のテキストを OpenAI Tokenizer にコピーして確認できます。
マルチメディア PDF のコンテキストへの取り込み
テキストと画像の両方を含む PDF をアップロードすると、ビジュアル検索により、ChatGPT はデジタルデータとして抽出されたテキストとともに、画像も直接処理できます。マルチメディア PDF では、標準のコンテキスト処理手順に加えて、次の処理を行います。
画像の抽出と埋め込み：画像を抽出し、関連するデジタルテキストとともに埋め込みます。
インテリジェントなサイズ調整：情報の質を保ちながら、利用可能なコンテキストウィンドウを効率よく使えるように、画像サイズを自動調整します。
アップロードされた PDF が 110,000 トークンの上限を超える場合、画像とテキストの両方が非公開の検索インデックスに埋め込まれます。テキストの埋め込みには関連画像への参照が含まれるため、ChatGPT はユーザーのクエリに基づいて適切なテキストと画像のペアを取得できます。取得した画像は、ChatGPT に備わっているマルチモーダル機能で処理されます。
マルチメディア PDF に必要なトークン数を正確に見積もるのは困難です。テストでは、テキストと画像が混在する文書の場合、約 350 ページで 110,000 トークンのコンテキストウィンドウを使い切ることが示唆されています。
モデルタイプに基づく検索戦略
GPT シリーズモデルと o シリーズモデルはどちらもファイルアップロードに対応し、同一のコンテキスト詰め込みと検索埋め込みロジックを利用します。すべてのモデルは、キーワード方式とセマンティック方式を組み合わせて、プライベート検索インデックスに対してハイブリッド検索を実行します。ハイブリッド検索では、モデルがユーザーのプロンプトに基づいて検索フレーズを生成し、プライベート検索インデックスがそれに応じて関連するテキストと画像を取得します。
ただし、これらのモデルは、コンテキストウィンドウを超える大きなドキュメントを検索する方法が異なります。
GPT シリーズモデル
プロンプトごとに 1 回検索：GPT シリーズモデルは、ユーザーのプロンプトごとに 1 回検索します。
適した用途：膨大なドキュメント内に答えがある、単純な質問への回答に最適です。
クエリ例：
「早期退職に関する人事制度はどのようなものですか？」
「process_order 関数は何をするものですか？」
o シリーズモデル
プロンプトごとに複数回検索：ユーザーのプロンプトごとに、それぞれ異なる検索フレーズを使って複数回（通常 2～3 回）検索できます。検索は順番に実行され、モデルはそれまでの検索で得た情報に基づいてアプローチを調整できます。
適した用途：膨大なドキュメントを対象に複数の検索を絞り込んで行う必要がある、複雑な質問に適しています。
クエリ例：
「早期退職、育児休業、海外転勤に関する人事制度はどのようなものですか？」
「process_order 関数の処理内容を説明し、この関数が呼び出すすべてのメソッドを列挙して、それぞれを簡潔に説明してください」
o シリーズモデルにはこうした強みがありますが、4 回以上の検索が必要なクエリには対応しにくい場合があります。
ファイル検索結果を改善するためのヒント
複数回の検索が必要な複雑な質問には、o シリーズモデルの使用を試してください。
回答は、アップロードするドキュメントの種類、数、サイズによって異なる場合があることに注意してください。
一般に、数を絞った焦点の明確なドキュメントを読み込むほど、精度が高くなります。
複数の質問を含むトピックを単一の質問にする:
すべての州の人事ポリシーを知る必要がある場合は、1 つずつ質問してください。
多数のドキュメントを要約する必要がある場合は、1 回に 1 つのドキュメントを依頼してください。そのドキュメントが数百ページに及ぶ場合は、より小さな構成要素に分割することを検討してください。
ドキュメント全体ではなく複数の要約を与えた場合、ChatGPT Enterprise に「要約の要約」を作成するよう依頼できます。
RFP の CSV（各行が別の質問）を持っている場合は、CSV を読み込んで単一の回答を求めるのではなく、それらの質問を 1 つずつ尋ねてください。
モデルの回答を監査する方法を見つけてください。GPT 指示の例は以下です:
# コンテキスト
あなたはドキュメント理解の専門家です。ユーザーはドキュメントを添付し、質問します。ユーザーは、あなたの回答を、その回答を取得したテキスト内の正確な箇所に結び付けられる必要があります。
# 指示
1. 添付ドキュメントに基づき、以下に示す正確な形式でユーザーの質問に回答してください
# 形式
- 質問: { repeat user's question }
- 回答: { provide an answer to user's question }
出典:
- - セクション番号: { provide section number where you pulled in the answer }
- - セクションタイトル: { provide section title where you pulled in the answer }
- - 正確なテキスト: { provide the exact text where you pulled the answer from }
# ルール
- 明確かつ簡潔に回答する
- ドキュメントで提供されている情報のみを提示する
- ドキュメント内に回答が見つからない場合は、単に「情報が見つかりませんでした。」と返信する