ChatGPT Enterprise saiki ndhukung maca lan mangerteni visual (gambar, grafik, diagram, lsp.) sing ditempelake ing file PDF sing kalebu ing prompt. Pangguna bisa ngunggah PDF, lan ChatGPT bisa napsirake teks lan unsur visual apa wae ing file kasebut.
Kanggo rincian, delengen FAQ Visual Retrieval nganggo PDF.
ChatGPT Enterprise ngidini sampeyan ngunggah file kanthi sawetara cara:
Langsung saka komputer sampeyan
Minangka Kawruh GPT
Minangka File Proyek
Saka Tumindak GPT
Pandhuan iki nerangake carane fitur ChatGPT Enterprise nangani file adhedhasar jinis, jumlah, lan ukurane, uga ngrembug strategi kanggo ningkatake asil miturut syarat file.
Ringkesan
ChatGPT Enterprise nangani saben jinis file kanthi cara sing beda banget: ngekstrak teks saka dokumen teks kayata PDF, presentasi, lan file Word; nganalisis data terstruktur saka spreadsheet nganggo kode Python; lan njlentrehake file gambar liwat GPT-Vision. Ngerteni jinis file endi sing micu alur kerja tartamtu iku penting kanggo entuk asil sing dikarepake.
Kanggo dokumen adhedhasar teks, ChatGPT Enterprise nyakup sabisa-bisane teks sing relevan langsung bebarengan karo prompt lan nggunakake sistem panelusuran kanggo ngakses informasi tambahan. Cara iki efektif kanggo mangsuli pitakonan tartamtu. Nanging, cara iki bisa kangelan nangani tugas rumit kayata ngringkes dokumen sing gedhe banget utawa mbandhingake sawetara file gedhe. Wacanen sabanjure kanggo mangerteni strategi sing bisa ningkatake asil sampeyan.
Nangani file adhedhasar jinise
ChatGPT Enterprise ngolah file kanthi telung cara utama: ekstraksi teks, analisis kode, lan interpretasi gambar. Jinis file nemtokake alur kerja sing ditindakake ChatGPT Enterprise.
| Pangolehan Adhedhasar Teks | Code Interpreter | Pangolahan Gambar | Pangolehan Visual | |
|---|---|---|---|---|
| Conto Jinis File | pptx, docx, txt, md, json, xml, pdf* * PDF sing diunggah minangka Kawruh GPT utawa File Proyek | csv, xls, xlsx* *Cathetan: Code Interpreter bisa ngolah jinis file apa wae, nanging ChatGPT Enterprise paling kerep kanthi gawan nggunakake CI kanggo spreadsheet | jpg, png | pdf* * PDF sing dilebokake ing prompt pangguna |
| Prilaku | Ngekstrak teks saka file—saperangan teks ditempelake (“dilebokake”) langsung ing jendhela konteks, dene liyane disimpen kanggo panelusuran | Code Interpreter ngirim file menyang Python kanggo diolah | Gambar diinterpretasikake langsung dening model multimodal, kanthi tundhuk marang watesan sing wis dimangerteni . | Gabungan pangolehan teks lan pangolahan gambar. Teks diekstrak kanthi digital, lan konten visual diinterpretasikake langsung dening model multimodal. |
Kanggo file sing mung ngemot teks, file gambar, utawa file data kanthi struktur cetha (contone, tabel transaksi Excel), pambagian iki nuduhake prilaku sing paling optimal.
Ana sawetara kahanan sing kurang cetha, contone:
Gambar sing disisipake ing file saliyane PDF ora diolah. Supaya bisa kalebu, owahana file kasebut dadi PDF sadurunge diunggah.
ChatGPT Enterprise mesthi nggunakake Code Interpreter kanggo sesambungan karo spreadsheet, sanajan dokumen kasebut ngemot teks sing akeh. Contone, yen sampeyan njaluk ChatGPT Enterprise nerjemahake file CSV sing ngemot 10 larik teks, sistem bakal nyoba nerjemahake file kasebut nganggo pustaka Python. Asile kurang akurat tinimbang yen model diidini nggawe terjemahan kanthi langsung. Kanggo nyuda masalah iki, coba ekspor spreadsheet menyang format adhedhasar teks (umpamane PDF).
Semono uga, yen sampeyan ngunggah tabel transaksi terstruktur ing file JSON, ChatGPT Enterprise bakal nginterpretasikake file iki minangka teks biasa. Yen sampeyan pengin nganalisis data ing file JSON, prentahna model supaya nggunakake Code Interpreter ing prompt sampeyan.
Nangani file adhedhasar ukuran
ChatGPT Enterprise nggunakake model kanthi jendhela konteks maksimal 128k token (kira-kira 200 kaca teks). Nanging, ora kabeh token digunakake kanggo nglebokake teks saka file sing diunggah. Jumlah token sing “dilebokake” beda-beda miturut jinis panggunaan.
ChatGPT Enterprise “nglebokake” sawetara teks, lan teks liyane dikirim menyang indeks panelusuran privat (“vector store”, yaiku jinis basis data sing dirancang kanggo nyimpen lan njupuk teks kanthi jumlah gedhe kanthi efisien). Nalika sampeyan takon, ChatGPT Enterprise nggawa teks sing dilebokake bebarengan karo potongan relevan sing dijupuk saka indeks panelusuran privat.
Yen sampeyan ngunggah siji dokumen, ChatGPT Enterprise nglebokake teks saka wiwitan nganti tekan watesane. Yen sampeyan ngunggah pirang-pirang dokumen, ChatGPT Enterprise nglebokake sawetara utawa kabeh isi saben dokumen. Kabeh teks saka dokumen uga dikirim menyang indeks panelusuran privat.
Context stuffing kanggo dokumen teks
Fitur iki lagi ana ing tahap pangembangan aktif. Mula, rincian ing ngisor iki bisa owah kapan wae tanpa kabar.
ChatGPT Enterprise bisa ngolah nganti 110k token saka dokumen sing diunggah ing jendhela konteks. Yen sampeyan ngunggah siji utawa luwih dokumen kanthi total gabungan kurang saka 110k token, kabeh konten bakal dilebokake.
Kanggo siji dokumen sing ngluwihi 110k token, mung 110k token pisanan sing bakal dilebokake, diwiwiti saka awal. Sisané mung bakal dikirim menyang indeks panelusuran privat.
Yen pirang-pirang dokumen diunggah lan total gabungane ngluwihi 110k token, ChatGPT Enterprise nggunakake proses rong langkah kanggo ngimbangi representasi dokumen:
Ekstrak nganti 55k token, dipérang rata ing antarane dokumen sing diunggah.
Kanggo dokumen sing durung kawakili kanthi lengkap ing langkah pisanan, alokasikake sisa 55k token kanthi proporsional adhedhasar token sing isih ana ing saben dokumen.
Token apa wae sing isih ana mung dikirim menyang indeks panelusuran privat.
Sampeyan bisa ngira jumlah token ing dokumen teks kanthi nyalin teks dokumen menyang OpenAI Tokenizer.
Context stuffing kanggo PDF multimedia
Nalika pangguna ngunggah PDF sing ngemot teks lan gambar, Visual Retrieval ngidini ChatGPT ngolah gambar kasebut kanthi asli bebarengan karo teks sing diekstrak kanthi digital. Langkah-langkah ing ngisor iki nambah prosedur penanganan konteks standar kanggo PDF multimedia:
Ekstraksi lan Embedding Gambar: Gambar diekstrak lan di-embed bebarengan karo teks digital sing gegandhengan.
Penskalaan Cerdas: Gambar otomatis diskalakake kanggo njaga imbangan antarane kualitas informasi lan panggunaan efisien saka jendhela konteks sing kasedhiya.
Nalika PDF sing diunggah ngluwihi wates 110k token, gambar lan teks padha di-embed ing indeks panelusuran privat. Embedding teks ngrujuk gambar sing relevan, supaya ChatGPT bisa njupuk pasangan teks-gambar sing pas adhedhasar pitakon pangguna. Gambar sing dijupuk banjur diproses nganggo kapabilitas multimodal asli ChatGPT.
Ngira kabutuhan token kanthi akurat kanggo PDF multimedia iku tantangan. Pengujian nuduhake manawa kira-kira 350 kaca campuran teks lan gambar bakal nggunakake jendhela konteks 110k token kanthi lengkap.
Strategi panelusuran adhedhasar jinis model
Model seri-GPT lan seri-o padha ndhukung unggahan file lan nggunakake logika context stuffing lan embedding panelusuran sing padha. Kabeh model nindakake panelusuran hibrida marang indeks panelusuran privat, kanthi nggabungake metode tembung kunci lan semantik. Ing panelusuran hibrida, model ngasilake frasa telusur adhedhasar prompt pangguna, lan indeks panelusuran privat njupuk teks lan gambar sing relevan kanthi selaras.
Nanging, model-model iki beda ing cara nggoleki dokumen gedhe sing ngluwihi jendhela konteks:
Model seri GPT
Siji panelusuran saben prompt: Model seri GPT nindakake siji panelusuran saben prompt pangguna.
Panggunaan sing efektif: Cocog banget kanggo mangsuli pitakonan prasaja sing ana ing dokumentasi sing akeh.
Conto pitakon:
"Apa kabijakan SDM babagan pensiun dini?"
"Apa sing ditindakake fungsi process_order?"
Model seri o
Sawetara panelusuran saben prompt: Bisa nindakake sawetara panelusuran (lumrahe 2–3) saben prompt pangguna, saben panelusuran nganggo frasa telusur sing unik. Panelusuran ditindakake kanthi urut, lan model bisa nganyari carane adhedhasar informasi sing dijupuk saka panelusuran sadurunge.
Panggunaan sing efektif: Luwih cocog kanggo pitakonan rumit sing mbutuhake sawetara panelusuran kanthi target tartamtu ing dokumentasi sing akeh.
Conto pitakon:
"Apa wae kabijakan SDM babagan pensiun dini, cuti wong tuwa, lan mutasi menyang luar negeri?"
"Jelasna apa sing ditindakake fungsi process_order, tulisen kabeh metode sing diundang fungsi iki, lan andharna kanthi ringkes saben metode kasebut."
Senadyan nduweni kaluwihan kasebut, model seri o bisa kangelan yen pitakon mbutuhake luwih saka telung panelusuran.
Tips kanggo ningkatake asil panelusuran file
Coba gunakake model seri-o kanggo pitakon rumit sing mbutuhake pirang-pirang panelusuran.
Elinga manawa respons bisa beda-beda gumantung jinis, jumlah, lan ukuran dokumen sing sampeyan unggah.
Umume, ngemot dokumen sing luwih sithik lan fokus bakal ngasilake akurasi sing luwih dhuwur.
Owahana topik multi-pitakon dadi pitakon tunggal:
Yen sampeyan kudu ngerti kabijakan HR saben negara bagian, takona siji-siji.
Yen sampeyan kudu ngringkes akeh dokumen, jaluka siji dokumen saben wektu. Yen dokumen kuwi atusan kaca, pikirna kanggo mecah dadi komponen sing luwih cilik.
Sampeyan bisa njaluk ChatGPT Enterprise nulis “ringkesan saka ringkesan” yen sampeyan menehi pirang-pirang ringkesan tinimbang dokumen lengkap.
Yen sampeyan duwe CSV saka RFP (saben baris minangka pitakon beda), takona pitakon-pitakon kasebut siji-siji tinimbang mung ngemot CSV lan njaluk siji respons.
Goleka cara kanggo ngaudit respons model. Tuladha instruksi GPT ana ing ngisor iki:
# Konteks
Sampeyan ahli banget ing mangerteni dokumen. Pangguna bakal masang dokumen lan takon pitakon. Dheweke kudu bisa nyambungake jawaban sampeyan bali menyang bagean teks sing pas saka ngendi sampeyan njupuk jawaban kasebut.
# Instruksi
1. Wangsulana pitakon pangguna adhedhasar dokumen sing dipasang nganggo format pas kaya ing ngisor iki
# Format
- Pitakon: { baleni pitakon pangguna }
- Jawaban: { wenehana jawaban kanggo pitakon pangguna }
Sumber:
- - Nomer Bagian: { wenehana nomer bagian saka ngendi sampeyan njupuk jawaban }
- - Judhul Bagian: { wenehana judhul bagian saka ngendi sampeyan njupuk jawaban }
- - Teks Persis: { wenehana teks persis saka ngendi sampeyan njupuk jawaban }
# Aturan
- Wenehana jawaban sing cetha lan ringkes
- Mung wenehana informasi sing ana ing dokumen
- Yen sampeyan ora bisa nemokake jawaban ing dokumen, cukup wangsulana “Ora ana informasi sing ditemokake.”