ChatGPT Enterprise-ს ახლა შეუძლია მოთხოვნებზე დართული PDF ფაილების ვიზუალური ელემენტების (სურათების, გრაფიკების, დიაგრამებისა და სხვ.) წაკითხვა და გაგება. მომხმარებლებს შეუძლიათ ატვირთონ PDF, ხოლო ChatGPT-ს შეუძლია ამ ფაილის ტექსტის და ნებისმიერი ვიზუალური ელემენტის ინტერპრეტაცია.
დეტალებისთვის იხილეთ: ხშირად დასმული კითხვები PDF-ებში ვიზუალური ძიების შესახებ.
ChatGPT Enterprise ფაილების ატვირთვის რამდენიმე გზას გთავაზობთ:
პირდაპირ თქვენი კომპიუტერიდან
GPT-ის ცოდნის სახით
პროექტის ფაილის სახით
GPT-ის მოქმედების მეშვეობით
ეს გზამკვლევი განმარტავს, როგორ ამუშავებს ChatGPT Enterprise-ის ფუნქციები ფაილებს მათი ტიპის, რაოდენობისა და ზომის მიხედვით და განიხილავს ფაილების მოთხოვნების გათვალისწინებით შედეგების გაუმჯობესების სტრატეგიებს.
შეჯამება
ChatGPT Enterprise სხვადასხვა ტიპის ფაილებს სრულიად განსხვავებულად ამუშავებს: ტექსტური დოკუმენტებიდან, როგორიცაა PDF-ები, პრეზენტაციები და Word-ის ფაილები, ტექსტს იღებს; ელექტრონულ ცხრილებში სტრუქტურირებულ მონაცემებს Python-ის კოდით აანალიზებს, ხოლო სურათების ფაილებს GPT-Vision-ის მეშვეობით აღწერს. მოსალოდნელი შედეგის მისაღებად მნიშვნელოვანია იცოდეთ, რომელი ტიპის ფაილი დამუშავების რომელ პროცესს ააქტიურებს.
ტექსტური დოკუმენტების შემთხვევაში ChatGPT Enterprise უშუალოდ მოთხოვნასთან ერთად ათავსებს რაც შეიძლება მეტ შესაბამის ტექსტს, ხოლო დამატებითი ინფორმაციის მისაღებად საძიებო სისტემას იყენებს. ეს მიდგომა კარგად მუშაობს კონკრეტულ კითხვებზე პასუხის გასაცემად. თუმცა მას შეიძლება გაუჭირდეს ისეთი რთული ამოცანების შესრულება, როგორიცაა ძალიან დიდი დოკუმენტების შეჯამება ან რამდენიმე დიდი ფაილის შედარება. განაგრძეთ კითხვა, რათა გაეცნოთ შედეგების გაუმჯობესების სტრატეგიებს.
ფაილების დამუშავება ტიპის მიხედვით
ChatGPT Enterprise ფაილებს სამი ძირითადი გზით ამუშავებს: ტექსტის ამოღებით, კოდის მეშვეობით ანალიზითა და სურათების ინტერპრეტაციით. ფაილის ტიპი განსაზღვრავს, დამუშავების რომელ პროცესს გამოიყენებს ChatGPT Enterprise.
| ტექსტური ძიება | კოდის ინტერპრეტატორი | სურათების დამუშავება | ვიზუალური ძიება | |
|---|---|---|---|---|
| ფაილის ტიპების მაგალითები | pptx, docx, txt, md, json, xml, pdf* * PDF-ები, რომლებიც ატვირთულია GPT-ის ცოდნის ან პროექტის ფაილების სახით | csv, xls, xlsx* *შენიშვნა: კოდის ინტერპრეტატორს ნებისმიერი ტიპის ფაილზე შეუძლია მუშაობა, თუმცა ChatGPT Enterprise მას ნაგულისხმევად ყველაზე ხშირად ელექტრონული ცხრილებისთვის იყენებს | jpg, png | pdf* * მომხმარებლის მოთხოვნებზე დართული PDF-ები |
| მუშაობის პრინციპი | ფაილიდან იღებს ტექსტს — მისი ნაწილი პირდაპირ კონტექსტურ ფანჯარაში თავსდება („ივსება“ კონტექსტი), ნაწილი კი ძიებისთვის ინახება | კოდის ინტერპრეტატორი ფაილს დასამუშავებლად Python-ს გადასცემს | სურათებს უშუალოდ მულტიმოდალური მოდელები აღიქვამს, ცნობილი შეზღუდვების გათვალისწინებით. | ტექსტური ძიებისა და სურათების დამუშავების კომბინაცია. ტექსტი ციფრულად ამოიღება, ვიზუალურ შიგთავსს კი უშუალოდ მულტიმოდალური მოდელები აღიქვამს. |
მხოლოდ ტექსტის შემცველი ფაილებისთვის, სურათების ფაილებისთვის ან მკაფიოდ სტრუქტურირებული მონაცემთა ფაილებისთვის (მაგალითად, Excel-ში ტრანზაქციების ცხრილისთვის) ამგვარი განაწილება დამუშავების საუკეთესო გზას წარმოადგენს.
ზოგიერთი შემთხვევა ნაკლებად ცალსახაა, მაგალითად:
PDF-ის გარდა სხვა ტიპის ფაილებში ჩასმული სურათები არ მუშავდება. მათ დასამუშავებლად ატვირთვამდე ფაილი PDF-ად გადააკეთეთ.
ელექტრონულ ცხრილებთან სამუშაოდ ChatGPT Enterprise ყოველთვის კოდის ინტერპრეტატორს გამოიყენებს, მაშინაც კი, თუ დოკუმენტი დიდი მოცულობის ტექსტს შეიცავს. მაგალითად, თუ ChatGPT Enterprise-ს სთხოვთ, თარგმნოს CSV ფაილი, რომელიც ტექსტის 10 სტრიქონს შეიცავს, ის ფაილის თარგმნას Python-ის ბიბლიოთეკის მეშვეობით შეეცდება. ეს ნაკლებად ზუსტ შედეგს იძლევა, ვიდრე უშუალოდ მოდელის მიერ თარგმანის შექმნა. ამ პრობლემის შესამცირებლად სცადეთ ელექტრონული ცხრილის ტექსტურ ფორმატში (მაგალითად, PDF-ში) ექსპორტი.
ანალოგიურად, თუ ატვირთავთ JSON ფაილს, რომელიც ტრანზაქციების სტრუქტურირებულ ცხრილს შეიცავს, ChatGPT Enterprise ამ ფაილს ჩვეულებრივ ტექსტად აღიქვამს. თუ JSON ფაილში არსებული მონაცემების ანალიზი გსურთ, მოთხოვნაში მიუთითეთ მოდელს, რომ კოდის ინტერპრეტატორი გამოიყენოს.
ფაილების დამუშავება ზომის მიხედვით
ChatGPT Enterprise იყენებს მოდელებს, რომელთა მაქსიმალური კონტექსტური ფანჯარაა 128k token (დაახლოებით 200 გვერდი ტექსტი). თუმცა, ყველა token არ გამოიყენება ატვირთული ფაილებიდან ტექსტის ჩასართავად. „ჩასმული“ token-ების რაოდენობა გამოყენების ტიპის მიხედვით იცვლება.
ChatGPT Enterprise ტექსტის გარკვეულ რაოდენობას „ჩასვამს“, ხოლო დარჩენილი ტექსტი იგზავნება კერძო საძიებო ინდექსში („ვექტორული საცავი“, მონაცემთა ბაზის ტიპი, რომელიც შექმნილია დიდი მოცულობის ტექსტის ეფექტურად შესანახად და მოსაძიებლად). როცა კითხვას სვამთ, ChatGPT Enterprise ჩართულ ტექსტთან ერთად მოაქვს კერძო საძიებო ინდექსიდან მოძიებული შესაბამისი ფრაგმენტები.
თუ ერთ დოკუმენტს ატვირთავთ, ChatGPT Enterprise მოიცავს ტექსტს დასაწყისიდან, სანამ თავის ლიმიტს მიაღწევს. თუ რამდენიმე დოკუმენტს ატვირთავთ, ChatGPT Enterprise თითოეული დოკუმენტის ნაწილს ან მთელ დოკუმენტს მოიცავს. დოკუმენტებიდან მთელი ტექსტი ასევე იგზავნება კერძო საძიებო ინდექსში.
კონტექსტის შევსება ტექსტური დოკუმენტებისთვის
ეს ფუნქცია აქტიური განვითარების პროცესშია. შესაბამისად, ქვემოთ მოცემული დეტალები შეიძლება წინასწარი გაფრთხილების გარეშე შეიცვალოს.
ChatGPT Enterprise-ს შეუძლია კონტექსტურ ფანჯარაში ატვირთული დოკუმენტებიდან 110 ათასამდე ტოკენი დაამუშაოს. თუ ატვირთავთ ერთ ან მეტ დოკუმენტს, რომლებშიც ჯამურად 110 ათასზე ნაკლები ტოკენია, მათი შიგთავსი სრულად ჩაირთვება.
თუ ერთი დოკუმენტი 110 ათას ტოკენს აღემატება, მასში მხოლოდ პირველი 110 ათასი ტოკენი ჩაირთვება, დოკუმენტის დასაწყისიდან. დანარჩენი ნაწილი მხოლოდ კერძო საძიებო ინდექსში გაიგზავნება.
თუ ატვირთული რამდენიმე დოკუმენტის ტოკენების ჯამური რაოდენობა 110 ათასს აღემატება, ChatGPT Enterprise დოკუმენტების დაბალანსებულად წარმოსადგენად შემდეგ პროცესს იყენებს:
ამოიღებს 55 ათასამდე ტოკენს და ამ რაოდენობას ატვირთულ დოკუმენტებზე თანაბრად ანაწილებს.
დარჩენილ 55 ათას ტოკენს ანაწილებს იმ დოკუმენტებზე, რომლებიც პირველ ეტაპზე სრულად არ იყო წარმოდგენილი — თითოეულში დარჩენილი ტოკენების რაოდენობის პროპორციულად.
ყველა დარჩენილი ტოკენი მხოლოდ კერძო საძიებო ინდექსში იგზავნება.
ტექსტურ დოკუმენტში ტოკენების რაოდენობის შესაფასებლად შეგიძლიათ მისი ტექსტი OpenAI-ის ტოკენიზატორში დააკოპიროთ.
კონტექსტის შევსება მულტიმედიური PDF-ებით
როცა მომხმარებლები ატვირთავენ PDF-ებს, რომლებიც ტექსტსაც შეიცავს და სურათებსაც, ვიზუალური ძიება ChatGPT-ს საშუალებას აძლევს, ეს სურათები საკუთარი შესაძლებლობებით დაამუშაოს ციფრულად ამოღებულ ტექსტთან ერთად. მულტიმედიური PDF-ების შემთხვევაში კონტექსტის დამუშავების ჩვენს სტანდარტულ პროცედურებს შემდეგი ნაბიჯები ემატება:
სურათების ამოღება და ჩაშენება: სურათები ამოიღება და მათთან დაკავშირებულ ციფრულ ტექსტთან ერთად ჩაშენდება.
ზომის გონივრული მორგება: სურათების ზომა ავტომატურად იცვლება, რათა შენარჩუნდეს ბალანსი ინფორმაციის ხარისხსა და ხელმისაწვდომი კონტექსტური ფანჯრის ეფექტიან გამოყენებას შორის.
როცა ატვირთული PDF-ები 110 ათასი ტოკენის ლიმიტს აღემატება, სურათებიც და ტექსტიც კერძო საძიებო ინდექსში ვექტორული სახით ინახება. ტექსტის ვექტორული წარმოდგენები შესაბამის სურათებზე მიუთითებს, რაც ChatGPT-ს საშუალებას აძლევს, მომხმარებლის მოთხოვნების მიხედვით ტექსტისა და სურათის შესაბამისი წყვილები მოიძიოს. შემდეგ მოძიებული სურათები ChatGPT-ის საკუთარი მულტიმოდალური შესაძლებლობებით მუშავდება.
მულტიმედიური PDF-ებისთვის საჭირო ტოკენების რაოდენობის ზუსტად შეფასება რთულია. ტესტირების მიხედვით, ტექსტისა და სურათების შემცველი დაახლოებით 350 გვერდი სრულად ავსებს 110 ათასი ტოკენის მოცულობის კონტექსტურ ფანჯარას.
ძიების სტრატეგიები მოდელის ტიპის მიხედვით
როგორც GPT-სერიის, ისე o-სერიის მოდელები მხარს უჭერენ ფაილების ატვირთვას და იყენებენ ერთნაირ კონტექსტის შევსებისა და საძიებო embedding-ის ლოგიკას. ყველა მოდელი ასრულებს ჰიბრიდულ ძიებებს კერძო საძიებო ინდექსში, საკვანძო სიტყვებისა და სემანტიკური მეთოდების კომბინირებით. ჰიბრიდული ძიებისას მოდელი ქმნის საძიებო ფრაზას მომხმარებლის მოთხოვნის საფუძველზე, ხოლო კერძო საძიებო ინდექსი შესაბამისად მოიძიებს შესაბამის ტექსტსა და სურათებს.
თუმცა, ეს მოდელები განსხვავდებიან იმით, თუ როგორ ეძებენ დიდ დოკუმენტებში, რომლებიც კონტექსტურ ფანჯარას აღემატება:
GPT-სერიის მოდელები
ერთი ძიება თითო მოთხოვნაზე: GPT-სერიის მოდელები მომხმარებლის თითოეულ მოთხოვნაზე ერთ ძიებას ასრულებს.
ეფექტური გამოყენების შემთხვევები: იდეალურია ვრცელ დოკუმენტაციაში მოცემულ მარტივ კითხვებზე პასუხის გასაცემად.
მოთხოვნების მაგალითები:
„როგორია ადამიანური რესურსების პოლიტიკა ვადამდელი პენსიაზე გასვლის შესახებ?“
„რას აკეთებს ფუნქცია process_order?“
o-სერიის მოდელები
რამდენიმე ძიება თითო მოთხოვნაზე: მომხმარებლის თითოეული მოთხოვნისთვის შეუძლია რამდენიმე ძიების (ჩვეულებრივ, 2–3-ის) შესრულება, თითოეული უნიკალური საძიებო ფრაზით. ძიებები თანმიმდევრულად სრულდება და მოდელს შეუძლია მიდგომა წინა ძიებებით მოპოვებული ინფორმაციის საფუძველზე განაახლოს.
ეფექტური გამოყენების შემთხვევები: უფრო შესაფერისია რთული კითხვებისთვის, რომლებიც ვრცელ დოკუმენტაციაში რამდენიმე მიზნობრივ ძიებას მოითხოვს.
მოთხოვნების მაგალითები:
„როგორია ადამიანური რესურსების პოლიტიკა ვადამდელი პენსიაზე გასვლის, მშობლის შვებულებისა და საზღვარგარეთ გადაყვანის შესახებ?“
„ახსენით, რას აკეთებს ფუნქცია process_order, ჩამოთვალეთ მის მიერ გამოძახებული ყველა მეთოდი და მოკლედ აღწერეთ თითოეული მათგანი.“
ძლიერი მხარეების მიუხედავად, o-სერიის მოდელებს შეიძლება გაუჭირდეთ მოთხოვნების დამუშავება, რომლებიც სამზე მეტ ძიებას საჭიროებს.
რჩევები ფაილების ძიების შედეგების გასაუმჯობესებლად
რთული კითხვებისთვის, რომლებიც რამდენიმე ძიებას მოითხოვს, სცადეთ o-სერიის მოდელის გამოყენება.
გახსოვდეთ, რომ პასუხები შეიძლება განსხვავდებოდეს თქვენ მიერ ატვირთული დოკუმენტების ტიპის, რაოდენობისა და ზომის მიხედვით.
ზოგადად, ნაკლები და უფრო ფოკუსირებული დოკუმენტების ჩატვირთვა უფრო მაღალ სიზუსტეს უზრუნველყოფს.
მრავალკითხვიანი თემები ერთეულ კითხვებად გადააქციეთ:
თუ ყველა შტატის HR პოლიტიკის ცოდნა გჭირდებათ, თითოეული ცალ-ცალკე იკითხეთ.
თუ ბევრი დოკუმენტის შეჯამება გჭირდებათ, ერთ ჯერზე ერთი დოკუმენტი მოითხოვეთ. თუ ეს დოკუმენტი მრავალი ასეული გვერდისგან შედგება, განიხილეთ მისი უფრო მცირე კომპონენტებად დაყოფა.
შეგიძლიათ ChatGPT Enterprise-ს „შეჯამებების შეჯამების“ დაწერა სთხოვოთ, თუ მას სრული დოკუმენტების ნაცვლად რამდენიმე შეჯამებას მიაწვდით.
თუ გაქვთ RFP-ის CSV (სადაც თითოეული სტრიქონი განსხვავებული კითხვაა), CSV-ის უბრალოდ ჩატვირთვისა და ერთი პასუხის მოთხოვნის ნაცვლად ეს კითხვები სათითაოდ დასვით.
იპოვეთ გზები მოდელის პასუხების აუდიტისთვის. GPT-ის ინსტრუქციების მაგალითები ქვემოთაა:
# კონტექსტი
თქვენ ხართ დოკუმენტების გაგების ექსპერტი. მომხმარებელი დაამაგრებს დოკუმენტს და დასვამს კითხვას. მათ უნდა შეეძლოთ თქვენი პასუხის დაკავშირება ტექსტის ზუსტად იმ ნაწილთან, საიდანაც თქვენ პასუხი აიღეთ.
# ინსტრუქციები
1. უპასუხეთ მომხმარებლის კითხვას მათი მიმაგრებული დოკუმენტის საფუძველზე ქვემოთ მოცემული ზუსტი ფორმატის გამოყენებით
# ფორმატი
- კითხვა: { გაიმეორეთ მომხმარებლის კითხვა }
- პასუხი: { მიეცით პასუხი მომხმარებლის კითხვაზე }
Source:
- - განყოფილების ნომერი: { მიუთითეთ იმ განყოფილების ნომერი, საიდანაც პასუხი აიღეთ }
- - განყოფილების სათაური: { მიუთითეთ იმ განყოფილების სათაური, საიდანაც პასუხი აიღეთ }
- - ზუსტი ტექსტი: { მიუთითეთ ზუსტი ტექსტი, საიდანაც პასუხი აიღეთ }
# წესები
- მიეცით მკაფიო და მოკლე პასუხები
- მიაწოდეთ მხოლოდ დოკუმენტში მოცემული ინფორმაცია
- თუ დოკუმენტში პასუხს ვერ პოულობთ, უბრალოდ უპასუხეთ: „ინფორმაცია ვერ მოიძებნა.“