ChatGPT Enterprise ახლა მხარს უჭერს მოთხოვნებში ჩართულ PDF ფაილებში ჩაშენებული ვიზუალური მასალის (სურათები, გრაფიკები, დიაგრამები და ა.შ.) წაკითხვასა და გაგებას. მომხმარებლებს შეუძლიათ PDF-ის ატვირთვა და ChatGPT-ს შეუძლია ამ ფაილში არსებული ტექსტის და ნებისმიერი ვიზუალური ელემენტის ინტერპრეტაცია.
დეტალებისთვის იხილეთ Visual Retrieval with PDFs FAQ.
ChatGPT Enterprise ფაილების ატვირთვის რამდენიმე გზას გაძლევთ:
პირდაპირ თქვენი კომპიუტერიდან
როგორც GPT Knowledge
როგორც Project File
GPT Action-დან
ეს სახელმძღვანელო ხსნის, როგორ ამუშავებს ChatGPT Enterprise-ის ფუნქციები ფაილებს მათი ტიპის, რაოდენობისა და ზომის მიხედვით და განიხილავს სტრატეგიებს, რომლებიც ფაილის მოთხოვნების მიხედვით შედეგების გაუმჯობესებას ეხმარება.
შეჯამება
ChatGPT Enterprise სხვადასხვა ტიპის ფაილებს ძალიან განსხვავებულად ამუშავებს: PDF-ების, პრეზენტაციებისა და Word ფაილების მსგავს ტექსტურ დოკუმენტებიდან ტექსტს იღებს, ცხრილებიდან სტრუქტურირებულ მონაცემებს Python კოდის გამოყენებით აანალიზებს და სურათის ფაილებს GPT-Vision-ის მეშვეობით აღწერს. იმის გაგება, თუ რომელი ფაილის ტიპი რომელ სამუშაო პროცესს ააქტიურებს, მოსალოდნელი შედეგის მისაღებად გადამწყვეტია.
ტექსტზე დაფუძნებული დოკუმენტებისთვის ChatGPT Enterprise რაც შეიძლება მეტ შესაბამის ტექსტს პირდაპირ მოთხოვნასთან ერთად მოიცავს და დამატებით ინფორმაციაზე წვდომისთვის ძიების სისტემას იყენებს. ეს კარგად მუშაობს კონკრეტულ კითხვებზე პასუხის გასაცემად. თუმცა, ამ მიდგომას შეიძლება გაუჭირდეს რთული ამოცანები, როგორიცაა ძალიან დიდი დოკუმენტების შეჯამება ან რამდენიმე დიდი ფაილის შედარება. გააგრძელეთ კითხვა, რათა გაიგოთ თქვენი შედეგების გაუმჯობესების სტრატეგიები.
ფაილების დამუშავება ტიპის მიხედვით
ChatGPT Enterprise ფაილებს სამი ძირითადი გზით ამუშავებს: ტექსტის ამოღება, კოდის ანალიზი და სურათების ინტერპრეტაცია. ფაილის ტიპი განსაზღვრავს, რომელ სამუშაო პროცესს მიჰყვება ChatGPT Enterprise.
| ტექსტზე დაფუძნებული მოძიება | კოდის ინტერპრეტატორი | სურათების დამუშავება | ვიზუალური მოძიება | |
|---|---|---|---|---|
| ფაილის ტიპების მაგალითები | pptx, docx, txt, md, json, xml, pdf* * PDF-ები, რომლებიც ატვირთულია როგორც GPT Knowledge ან Project Files | csv, xls, xlsx* *შენიშვნა: კოდის ინტერპრეტატორს შეუძლია ნებისმიერ ფაილის ტიპზე მუშაობა, მაგრამ ცხრილებისთვის ChatGPT Enterprise ყველაზე ხშირად ნაგულისხმევად CI-ს იყენებს | jpg, png | pdf* * მომხმარებლის მოთხოვნებში ჩართული PDF-ები |
| ქცევა | ფაილიდან ტექსტს ამოიღებს — ტექსტის ნაწილი პირდაპირ კონტექსტურ ფანჯარაში თავსდება („ჩაისმება“); ტექსტის ნაწილი ძიებისთვის ინახება | კოდის ინტერპრეტატორი ფაილს დასამუშავებლად Python-ს გადასცემს | სურათებს ბუნებრივად განმარტავენ მულტიმოდალური მოდელები, ცნობილი შეზღუდვების გათვალისწინებით. | ტექსტის მოძიებისა და სურათების დამუშავების ჰიბრიდი. ტექსტი ციფრულად ამოიღება, ხოლო ვიზუალური კონტენტი ბუნებრივად განიმარტება მულტიმოდალური მოდელებით. |
მხოლოდ ტექსტური ფაილებისთვის, სურათის ფაილებისთვის ან მკაფიოდ სტრუქტურირებული მონაცემთა ფაილებისთვის (მაგ., ტრანზაქციების Excel ცხრილი), ეს დაყოფა საუკეთესო შესაძლო ქცევას წარმოადგენს.
არსებობს რამდენიმე ნაკლებად აშკარა შუალედური შემთხვევა, მაგალითად:
PDF-ების გარდა სხვა ფაილებში ჩაშენებული სურათები არ მუშავდება. მათი ჩასართავად, ატვირთვამდე ფაილი PDF-ად გადააკეთეთ.
ChatGPT Enterprise ცხრილებთან ურთიერთობისთვის ყოველთვის კოდის ინტერპრეტატორს გამოიყენებს, მაშინაც კი, თუ დოკუმენტი დიდი რაოდენობით ტექსტს შეიცავს. მაგალითად, თუ ChatGPT Enterprise-ს სთხოვთ 10 სტრიქონი ტექსტის მქონე CSV ფაილის თარგმნას, ის შეეცდება ფაილი Python ბიბლიოთეკით თარგმნოს, რაც ნაკლებად ზუსტია, ვიდრე მოდელისთვის თარგმანის პირდაპირ გენერირების საშუალების მიცემა. ამის შესამცირებლად, სცადეთ ცხრილის ექსპორტი ტექსტზე დაფუძნებულ ფორმატში (მაგალითად, PDF-ში).
ანალოგიურად, თუ ატვირთავთ JSON ფაილში აღწერილ სტრუქტურირებულ ტრანზაქციულ ცხრილს, ChatGPT Enterprise ამ ფაილს უბრალო ტექსტად განმარტავს. თუ JSON ფაილში არსებული მონაცემების ანალიზი გსურთ, თქვენს მოთხოვნაში მოდელს დაავალეთ კოდის ინტერპრეტატორის გამოყენება.
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 ატვირთული დოკუმენტებიდან კონტექსტურ ფანჯარაში დაამუშაოს მაქსიმუმ 110k token. თუ ატვირთავთ ერთ ან მეტ დოკუმენტს, რომელთა ჯამური მოცულობა 110k token-ზე ნაკლებია, სრული კონტენტი ჩართული იქნება.
ერთი დოკუმენტისთვის, რომელიც 110k token-ს აღემატება, ჩართული იქნება მხოლოდ პირველი 110k token, დასაწყისიდან. დარჩენილი ნაწილი მხოლოდ კერძო საძიებო ინდექსში გაიგზავნება.
თუ ატვირთულია რამდენიმე დოკუმენტი და მათი ჯამური მოცულობა 110k token-ს აღემატება, ChatGPT Enterprise დოკუმენტების წარმოდგენის დასაბალანსებლად ორსაფეხურიან პროცესს იყენებს:
ამოიღეთ მაქსიმუმ 55k token, რომლებიც ატვირთულ დოკუმენტებს შორის თანაბრად ნაწილდება.
დოკუმენტებისთვის, რომლებიც პირველ ნაბიჯში სრულად არ არის წარმოდგენილი, დარჩენილი 55k token გამოყავით პროპორციულად, თითოეულ დოკუმენტში დარჩენილი token-ების მიხედვით.
ყველა დარჩენილი token მხოლოდ კერძო საძიებო ინდექსში იგზავნება.
ტექსტურ დოკუმენტში token-ების რაოდენობის შეფასება შეგიძლიათ დოკუმენტის ტექსტის OpenAI Tokenizer-ში კოპირებით.
კონტექსტის შევსება მულტიმედიური PDF-ებისთვის
როცა მომხმარებლები ატვირთავენ PDF-ებს, რომლებიც ტექსტსაც და სურათებსაც შეიცავს, Visual Retrieval ChatGPT-ს საშუალებას აძლევს, ეს სურათები ციფრულად ამოღებულ ტექსტთან ერთად ბუნებრივად დაამუშაოს. შემდეგი ნაბიჯები ავსებს მულტიმედიური PDF-ებისთვის კონტექსტთან მუშაობის ჩვენს სტანდარტულ პროცედურებს:
სურათების ამოღება და embedding: სურათები ამოიღება და embedding-დება მათთან დაკავშირებულ ციფრულ ტექსტთან ერთად.
გონიერი მასშტაბირება: სურათები ავტომატურად მასშტაბირდება, რათა შენარჩუნდეს ბალანსი ინფორმაციის ხარისხსა და ხელმისაწვდომი კონტექსტური ფანჯრის ეფექტურ გამოყენებას შორის.
როცა ატვირთული PDF-ები 110k token-ის ლიმიტს აღემატება, სურათებიც და ტექსტიც კერძო საძიებო ინდექსში embedding-დება. ტექსტური embedding-ები შესაბამის სურათებზე მიუთითებს, რაც ChatGPT-ს საშუალებას აძლევს, მომხმარებლის მოთხოვნების საფუძველზე შესაბამისი ტექსტ-სურათის წყვილები მოიძიოს. შემდეგ მოძიებული სურათები მუშავდება ChatGPT-ის ბუნებრივი მულტიმოდალური შესაძლებლობებით.
მულტიმედიური PDF-ებისთვის token-ების საჭიროების ზუსტად შეფასება რთულია. ტესტირება მიუთითებს, რომ შერეული ტექსტისა და სურათების დაახლოებით 350 გვერდი სრულად გამოიყენებს 110k token-იან 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 თითო მომხმარებლის მოთხოვნაზე ერთ ძიებას ასრულებენ.
ეფექტური გამოყენების შემთხვევები: იდეალურია ვრცელ დოკუმენტაციაში მოცემულ პირდაპირ კითხვებზე პასუხის გასაცემად.
მაგალითი მოთხოვნები:
„როგორია HR პოლიტიკა ნაადრევ პენსიაზე გასვლის შესახებ?“
„რას აკეთებს ფუნქცია
process_order?“
o-სერიის მოდელები
რამდენიმე ძიება თითო მოთხოვნაზე: შეუძლია შეასრულოს რამდენიმე ძიება (ჩვეულებრივ 2-3) თითო მომხმარებლის მოთხოვნაზე, თითოეული უნიკალური საძიებო ფრაზით. ძიებები თანმიმდევრულად სრულდება და მოდელს შეუძლია შეცვალოს მიდგომა წინა ძიებებით მიღებული ინფორმაციის საფუძველზე.
ეფექტური გამოყენების შემთხვევები: უფრო შესაფერისია რთული კითხვებისთვის, რომლებიც ვრცელი დოკუმენტაციის მასშტაბით რამდენიმე მიზნობრივ ძიებას მოითხოვს.
მაგალითი მოთხოვნები:
„როგორია HR პოლიტიკა ნაადრევ პენსიაზე გასვლის, მშობლის შვებულებისა და საზღვარგარეთ გადაყვანის შესახებ?“
„ახსენი, რას აკეთებს ფუნქცია
process_order, ჩამოთვალე ამ ფუნქციის მიერ გამოძახებული ყველა მეთოდი და მოკლედ აღწერე თითოეული გამოძახებული მეთოდი.“
მიუხედავად მათი ძლიერი მხარეებისა, o-სერიის მოდელებს შეიძლება გაუჭირდეთ, როცა მოთხოვნა 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.“