ChatGPT Enterprise saiki bisa maca lan mangerteni unsur visual (gambar, grafik, diagram, lsp.) sing disematake ing file PDF sing dilebokake ing prompt. Pangguna bisa ngunggah PDF, lan ChatGPT bisa napsirake teks lan kabeh unsur visual ing file kasebut.
Kanggo katrangan luwih jangkep, delengen: Pitakon Umum Bab Panemuan Visual ing 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, cacah, lan ukurane, sarta ngrembug strategi kanggo ningkatake asil miturut kabutuhan 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. Mangerteni jinis file endi sing micu alur kerja endi iku kunci kanggo entuk asil sing dikarepake.
Kanggo dokumen adhedhasar teks, ChatGPT Enterprise nglebokake sabisa-bisane teks sing cocog langsung bebarengan karo prompt lan nggunakake sistem telusuran kanggo ngakses informasi tambahan. Cara iki efektif kanggo mangsuli pitakon sing spesifik. Nanging, cara iki bisa kangelan nangani tugas sing rumit, kayata ngringkes dokumen sing gedhe banget utawa mbandhingake sawetara file gedhe. Terusake maca kanggo mangerteni strategi ningkatake asil sing dipikolehi.
Nangani file adhedhasar jinise
ChatGPT Enterprise ngolah file kanthi telung cara utama: ekstraksi teks, analisis nganggo kode, lan interpretasi gambar. Jinis file nemtokake alur kerja sing ditindakake ChatGPT Enterprise.
| Panemuan adhedhasar teks | Code Interpreter | Pangolahan gambar | Panemuan Visual | |
|---|---|---|---|---|
| Tuladha 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 lumrahe nggunakake CI minangka pilihan gawan kanggo spreadsheet | jpg, png | pdf* * PDF sing dilebokake ing prompt pangguna |
| Cara kerja | Ngekstrak teks saka file – sapérangan teks ditempelake (“dilebokake”) langsung ing jendhela konteks; sapérangan liyane disimpen kanggo telusuran | Code Interpreter ngirim file menyang Python supaya diolah | Gambar ditapsirake langsung nganggo kaprigelan bawaan model multimodal, kanthi watesan sing wis dingerteni. | Gabungan panemuan teks lan pangolahan gambar. Teks diekstrak kanthi digital, lan konten visual ditapsirake langsung nganggo kaprigelan bawaan model multimodal. |
Kanggo file sing mung ngemot teks, file gambar, utawa file data sing strukture cetha (umpamane, tabel transaksi Excel), pamérangan iki menehi cara pangolahan sing paling apik.
Nanging, ana sawetara kahanan sing cara pangolahane ora pati cetha, kayata:
Gambar sing disematake ing file saliyane PDF ora diolah. Supaya gambar kasebut melu diolah, owahana file dadi PDF sadurunge diunggah.
ChatGPT Enterprise bakal tansah nggunakake Code Interpreter kanggo nangani spreadsheet, sanajan dokumen kasebut ngemot akeh teks. 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 dijaluk langsung ngasilake terjemahan. Kanggo nyuda masalah iki, coba ekspor spreadsheet menyang format adhedhasar teks (umpamane PDF).
Semono uga, yen sampeyan ngunggah tabel transaksi terstruktur sing ana ing file JSON, ChatGPT Enterprise bakal napsirake file iki minangka teks biasa. Yen sampeyan pengin nganalisis data ing file JSON, wenehana instruksi ing prompt supaya model nggunakake Code Interpreter.
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 110 ewu token saka dokumen sing diunggah ing jendhela konteks. Yen sampeyan ngunggah siji utawa luwih dokumen kanthi gunggung kurang saka 110 ewu token, kabeh isine bakal dilebokake.
Kanggo siji dokumen sing ngluwihi 110 ewu token, mung 110 ewu token kapisan sing bakal dilebokake, diwiwiti saka wiwitan dokumen. Sisane mung bakal dikirim menyang indeks telusuran pribadi.
Yen ana sawetara dokumen sing diunggah lan gunggunge ngluwihi 110 ewu token, ChatGPT Enterprise nggunakake proses iki supaya saben dokumen diwakili kanthi imbang:
Njupuk nganti 55 ewu token, kanthi jatah sing dibagi rata ing antarane dokumen sing diunggah.
Kanggo dokumen sing durung diwakili kanthi wutuh ing langkah kapisan, alokasikake jatah 55 ewu token sing isih ana kanthi proporsional, adhedhasar cacah token sing kari ing saben dokumen.
Token sing isih kari mung dikirim menyang indeks telusuran pribadi.
Sampeyan bisa ngira-ira cacah token ing dokumen teks kanthi nyalin teks dokumen menyang Tokenizer OpenAI.
Ngisi konteks kanggo PDF multimedia
Nalika pangguna ngunggah PDF sing ngemot teks lan gambar, Panemuan Visual ngidini ChatGPT ngolah gambar kasebut kanthi kaprigelan bawaane bebarengan karo teks sing diekstrak kanthi digital. Langkah-langkah iki njangkepi tata cara baku kita kanggo nangani konteks PDF multimedia:
Ekstraksi lan Panyematan Gambar: Gambar diekstrak lan disematake bebarengan karo teks digital sing gegayutan.
Pangaturan Ukuran Cerdas: Ukuran gambar diatur kanthi otomatis supaya mutu informasi tetep imbang karo panggunaan jendhela konteks sing efisien.
Nalika PDF sing diunggah ngluwihi wates 110 ewu token, gambar lan teks padha disematake ing indeks telusuran pribadi. Embedding teks ngrujuk gambar sing cocog, saengga ChatGPT bisa njupuk pasangan teks lan gambar sing trep adhedhasar pitakon pangguna. Gambar sing ditemokake banjur diolah nganggo kaprigelan multimodal bawaan ChatGPT.
Ngira-ira kabutuhan token kanggo PDF multimedia kanthi akurat iku angel. Asil uji coba nuduhake yen watara 350 kaca sing ngemot campuran teks lan gambar bakal ngebaki jendhela konteks 110 ewu token.
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.”