ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ ಸೇರಿಸಲಾದ PDF ಫೈಲ್‌ಗಳಲ್ಲಿನ ದೃಶ್ಯಗಳನ್ನು (ಚಿತ್ರಗಳು, ಗ್ರಾಫ್‌ಗಳು, ರೇಖಾಚಿತ್ರಗಳು ಇತ್ಯಾದಿ) ಓದಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ ಈಗ ChatGPT Enterprise ನಲ್ಲಿ ಲಭ್ಯವಿದೆ. ಬಳಕೆದಾರರು PDF ಅನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದಾಗ, ಆ ಫೈಲ್‌ನಲ್ಲಿರುವ ಪಠ್ಯ ಮತ್ತು ಯಾವುದೇ ದೃಶ್ಯ ಅಂಶಗಳನ್ನು ChatGPT ಅರ್ಥೈಸಬಲ್ಲದು.
ವಿವರಗಳಿಗಾಗಿ ನೋಡಿ: PDF ಗಳಲ್ಲಿ ದೃಶ್ಯ ಮರುಪಡೆಯುವಿಕೆ ಕುರಿತು ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು.
ChatGPT Enterprise ನಲ್ಲಿ ಹಲವು ರೀತಿಯಲ್ಲಿ ಫೈಲ್‌ಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಬಹುದು:
ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಿಂದ ನೇರವಾಗಿ
ಫೈಲ್‌ಗಳ ಪ್ರಕಾರ, ಸಂಖ್ಯೆ ಮತ್ತು ಗಾತ್ರಕ್ಕೆ ಅನುಗುಣವಾಗಿ ChatGPT Enterprise ವೈಶಿಷ್ಟ್ಯಗಳು ಅವುಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಈ ಮಾರ್ಗದರ್ಶಿ ವಿವರಿಸುತ್ತದೆ. ಫೈಲ್‌ಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಕಂತೆ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯುವ ತಂತ್ರಗಳನ್ನೂ ಚರ್ಚಿಸುತ್ತದೆ.
ಸಾರಾಂಶ
ChatGPT Enterprise ಬೇರೆ ಬೇರೆ ಪ್ರಕಾರದ ಫೈಲ್‌ಗಳನ್ನು ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ನಿರ್ವಹಿಸುತ್ತದೆ: PDF ಗಳು, ಪ್ರಸ್ತುತಿಗಳು ಮತ್ತು ವರ್ಡ್ ಫೈಲ್‌ಗಳಂತಹ ಪಠ್ಯ ದಾಖಲೆಗಳಿಂದ ಪಠ್ಯವನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ, ಪೈಥಾನ್ ಕೋಡ್ ಬಳಸಿ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗಳಲ್ಲಿನ ರಚನಾತ್ಮಕ ದತ್ತಾಂಶವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ ಮತ್ತು GPT-ವಿಷನ್ ಮೂಲಕ ಚಿತ್ರ ಫೈಲ್‌ಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ. ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶ ಪಡೆಯಲು, ಯಾವ ಪ್ರಕಾರದ ಫೈಲ್ ಯಾವ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಆರಂಭಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯ.
ಪಠ್ಯಾಧಾರಿತ ದಾಖಲೆಗಳ ವಿಷಯದಲ್ಲಿ, ChatGPT Enterprise ಸಾಧ್ಯವಾದಷ್ಟು ಸಂಬಂಧಿತ ಪಠ್ಯವನ್ನು ನೇರವಾಗಿ ಪ್ರಾಂಪ್ಟ್ ಜೊತೆಗೆ ಸೇರಿಸುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯಲು ಹುಡುಕಾಟ ವ್ಯವಸ್ಥೆಯನ್ನು ಬಳಸುತ್ತದೆ. ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಇದು ಉತ್ತಮವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಆದರೆ ಅತಿ ದೊಡ್ಡ ದಾಖಲೆಗಳ ಸಾರಾಂಶ ರಚಿಸುವುದು ಅಥವಾ ಹಲವು ದೊಡ್ಡ ಫೈಲ್‌ಗಳನ್ನು ಹೋಲಿಸುವಂತಹ ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳಲ್ಲಿ ಈ ವಿಧಾನಕ್ಕೆ ತೊಡಕುಗಳು ಎದುರಾಗಬಹುದು. ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯುವ ತಂತ್ರಗಳನ್ನು ತಿಳಿಯಲು ಮುಂದೆ ಓದಿ.
ಪ್ರಕಾರಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಫೈಲ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು
ChatGPT Enterprise ಫೈಲ್‌ಗಳನ್ನು ಮೂರು ಮುಖ್ಯ ವಿಧಾನಗಳಲ್ಲಿ ಸಂಸ್ಕರಿಸುತ್ತದೆ: ಪಠ್ಯವನ್ನು ಹೊರತೆಗೆಯುವುದು, ಕೋಡ್ ಮೂಲಕ ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ಚಿತ್ರಗಳನ್ನು ಅರ್ಥೈಸುವುದು. ChatGPT Enterprise ಯಾವ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಅನುಸರಿಸುತ್ತದೆ ಎಂಬುದು ಫೈಲ್ ಪ್ರಕಾರವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.
| ಪಠ್ಯಾಧಾರಿತ ಮರುಪಡೆಯುವಿಕೆ | ಕೋಡ್ ಇಂಟರ್‌ಪ್ರೆಟರ್ | ಚಿತ್ರ ಸಂಸ್ಕರಣೆ | ದೃಶ್ಯ ಮರುಪಡೆಯುವಿಕೆ | |
|---|---|---|---|---|
| ಫೈಲ್ ಪ್ರಕಾರಗಳ ಉದಾಹರಣೆಗಳು | pptx, docx, txt, md, json, xml, pdf* * GPT ಜ್ಞಾನವಾಗಿ ಅಥವಾ ಯೋಜನೆಯ ಫೈಲ್‌ಗಳಾಗಿ ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ PDF ಗಳು | csv, xls, xlsx* *ಗಮನಿಸಿ: ಕೋಡ್ ಇಂಟರ್‌ಪ್ರೆಟರ್ ಯಾವುದೇ ಪ್ರಕಾರದ ಫೈಲ್‌ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಬಲ್ಲದು. ಆದರೆ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗಳಿಗೆ ChatGPT Enterprise ಸಾಮಾನ್ಯವಾಗಿ ಕೋಡ್ ಇಂಟರ್‌ಪ್ರೆಟರ್ ಅನ್ನೇ ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ ಬಳಸುತ್ತದೆ | jpg, png | pdf* * ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ ಸೇರಿಸಲಾದ PDF ಗಳು |
| ಕಾರ್ಯವಿಧಾನ | ಫೈಲ್‌ನಿಂದ ಪಠ್ಯವನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ – ಸ್ವಲ್ಪ ಪಠ್ಯವನ್ನು ನೇರವಾಗಿ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋದಲ್ಲಿ ಅಂಟಿಸಲಾಗುತ್ತದೆ (“ತುಂಬಿಸಲಾಗುತ್ತದೆ”); ಉಳಿದ ಪಠ್ಯವನ್ನು ಹುಡುಕಾಟಕ್ಕಾಗಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ | ಕೋಡ್ ಇಂಟರ್‌ಪ್ರೆಟರ್ ಫೈಲ್ ಅನ್ನು ಸಂಸ್ಕರಣೆಗಾಗಿ ಪೈಥಾನ್‌ಗೆ ಕಳುಹಿಸುತ್ತದೆ | ತಿಳಿದಿರುವ ಮಿತಿಗಳಿಗೆ ಒಳಪಟ್ಟು, ಮಲ್ಟಿ-ಮೋಡಲ್ ಮಾಡೆಲ್‌ಗಳು ಚಿತ್ರಗಳನ್ನು ನೇರವಾಗಿ ಅರ್ಥೈಸುತ್ತವೆ. | ಪಠ್ಯ ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಚಿತ್ರ ಸಂಸ್ಕರಣೆಯ ಸಂಯೋಜನೆ. ಪಠ್ಯವನ್ನು ಡಿಜಿಟಲ್ ವಿಧಾನದಲ್ಲಿ ಹೊರತೆಗೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ದೃಶ್ಯ ವಿಷಯವನ್ನು ಮಲ್ಟಿ-ಮೋಡಲ್ ಮಾಡೆಲ್‌ಗಳು ನೇರವಾಗಿ ಅರ್ಥೈಸುತ್ತವೆ. |
ಪಠ್ಯ ಮಾತ್ರವಿರುವ ಫೈಲ್‌ಗಳು, ಚಿತ್ರ ಫೈಲ್‌ಗಳು ಅಥವಾ ಸ್ಪಷ್ಟವಾಗಿ ರಚಿಸಲಾದ ದತ್ತಾಂಶ ಫೈಲ್‌ಗಳಿಗೆ (ಉದಾ., ವಹಿವಾಟುಗಳ ಎಕ್ಸೆಲ್ ಕೋಷ್ಟಕ), ಈ ವಿಭಾಗಗಳಿಗೆ ಅನುಗುಣವಾದ ಕಾರ್ಯವಿಧಾನಗಳೇ ಅತ್ಯುತ್ತಮವಾಗಿವೆ.
ಆದರೆ ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಕಾರ್ಯವಿಧಾನ ಅಷ್ಟು ಸ್ಪಷ್ಟವಾಗಿರುವುದಿಲ್ಲ. ಉದಾಹರಣೆಗೆ:
PDF ಹೊರತುಪಡಿಸಿ ಇತರ ಫೈಲ್‌ಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾದ ಚಿತ್ರಗಳನ್ನು ಸಂಸ್ಕರಿಸಲಾಗುವುದಿಲ್ಲ. ಅವುಗಳನ್ನೂ ಸೇರಿಸಲು, ಅಪ್‌ಲೋಡ್ ಮಾಡುವ ಮೊದಲು ಫೈಲ್ ಅನ್ನು PDF ಗೆ ಪರಿವರ್ತಿಸಿ.
ದಾಖಲೆಯಲ್ಲಿ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಪಠ್ಯವಿದ್ದರೂ, ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ChatGPT Enterprise ಯಾವಾಗಲೂ ಕೋಡ್ ಇಂಟರ್‌ಪ್ರೆಟರ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, 10 ಸಾಲುಗಳ ಪಠ್ಯವಿರುವ CSV ಫೈಲ್ ಅನ್ನು ಅನುವಾದಿಸಲು ChatGPT Enterprise ಗೆ ಹೇಳಿದರೆ, ಅದು ಪೈಥಾನ್ ಲೈಬ್ರರಿ ಬಳಸಿ ಅನುವಾದಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಮಾಡೆಲ್ ನೇರವಾಗಿ ಅನುವಾದಿಸುವುದಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಈ ವಿಧಾನ ಕಡಿಮೆ ನಿಖರವಾಗಿರುತ್ತದೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ತಗ್ಗಿಸಲು, ಸ್ಪ್ರೆಡ್‌ಶೀಟ್ ಅನ್ನು ಪಠ್ಯಾಧಾರಿತ ಸ್ವರೂಪಕ್ಕೆ (ಉದಾಹರಣೆಗೆ, PDF) ರಫ್ತು ಮಾಡಿ ನೋಡಿ.
ಅದೇ ರೀತಿ, ವಹಿವಾಟುಗಳ ರಚನಾತ್ಮಕ ಕೋಷ್ಟಕವಿರುವ JSON ಫೈಲ್ ಅನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದರೆ, ChatGPT Enterprise ಆ ಫೈಲ್ ಅನ್ನು ಸರಳ ಪಠ್ಯವೆಂದು ಪರಿಗಣಿಸುತ್ತದೆ. JSON ಫೈಲ್‌ನಲ್ಲಿರುವ ದತ್ತಾಂಶವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ನೀವು ಬಯಸಿದರೆ, ಕೋಡ್ ಇಂಟರ್‌ಪ್ರೆಟರ್ ಬಳಸುವಂತೆ ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಮಾಡೆಲ್‌ಗೆ ಸೂಚಿಸಿ.
ಗಾತ್ರದ ಆಧಾರದ ಮೇಲೆ ಫೈಲ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು
ChatGPT Enterprise ಗರಿಷ್ಠ 128k ಟೋಕನ್‌ಗಳ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ ಹೊಂದಿರುವ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ (ಸುಮಾರು 200 ಪುಟಗಳ ಪಠ್ಯ). ಆದಾಗ್ಯೂ, ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ ಫೈಲ್‌ಗಳಿಂದ ಪಠ್ಯವನ್ನು ಸೇರಿಸಲು ಎಲ್ಲಾ ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸಲಾಗುವುದಿಲ್ಲ. “ಸ್ಟಫ್ ಮಾಡಿದ” ಟೋಕನ್‌ಗಳ ಸಂಖ್ಯೆ ಬಳಕೆಯ ಪ್ರಕಾರದ ಮೇಲೆ ಬದಲಾಗುತ್ತದೆ.
ChatGPT Enterprise ಸ್ವಲ್ಪ ಪ್ರಮಾಣದ ಪಠ್ಯವನ್ನು "ಸ್ಟಫ್" ಮಾಡುತ್ತದೆ, ಮತ್ತು ಉಳಿದ ಪಠ್ಯವನ್ನು ಖಾಸಗಿ ಹುಡುಕಾಟ ಸೂಚ್ಯಂಕಕ್ಕೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ (ಒಂದು "ವೆಕ್ಟರ್ ಸ್ಟೋರ್", ಇದು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಪಠ್ಯವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ಪಡೆಯಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಒಂದು ವಿಧದ ಡೇಟಾಬೇಸ್ ಆಗಿದೆ). ನೀವು ಪ್ರಶ್ನೆ ಕೇಳಿದಾಗ, ChatGPT Enterprise ಖಾಸಗಿ ಹುಡುಕಾಟ ಸೂಚ್ಯಂಕದಿಂದ ಪಡೆದ ಸಂಬಂಧಿತ ಭಾಗಗಳ ಜೊತೆಗೆ ಸೇರಿಸಲಾದ ಪಠ್ಯವನ್ನು ತರುತ್ತದೆ.
ನೀವು ಒಂದೇ ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದರೆ, ChatGPT Enterprise ತನ್ನ ಮಿತಿಯನ್ನು ತಲುಪುವವರೆಗೆ ಆರಂಭದಿಂದ ಪಠ್ಯವನ್ನು ಸೇರಿಸುತ್ತದೆ. ನೀವು ಅನೇಕ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದರೆ, ChatGPT Enterprise ಪ್ರತಿಯೊಂದು ಡಾಕ್ಯುಮೆಂಟ್‌ನ ಕೆಲವು ಅಥವಾ ಸಂಪೂರ್ಣ ಭಾಗವನ್ನು ಸೇರಿಸುತ್ತದೆ. ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳಿಂದಿರುವ ಎಲ್ಲಾ ಪಠ್ಯವನ್ನು ಖಾಸಗಿ ಹುಡುಕಾಟ ಸೂಚ್ಯಂಕಕ್ಕೂ ಕಳುಹಿಸಲಾಗುತ್ತದೆ.
ಪಠ್ಯ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳಿಗೆ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ಸ್ಟಫಿಂಗ್
ಈ ವೈಶಿಷ್ಟ್ಯವು ಸಕ್ರಿಯ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿದೆ. ಆದ್ದರಿಂದ, ಕೆಳಗಿನ ವಿವರಗಳು ಯಾವುದೇ ಪೂರ್ವ ಸೂಚನೆ ಇಲ್ಲದೆ ಬದಲಾಗಬಹುದು.
ChatGPT Enterprise ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ ದಾಖಲೆಗಳಿಂದ 110 ಸಾವಿರ ಟೋಕನ್‌ಗಳವರೆಗಿನ ವಿಷಯವನ್ನು ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋದಲ್ಲಿ ಸಂಸ್ಕರಿಸಬಹುದು. ನೀವು ಅಪ್‌ಲೋಡ್ ಮಾಡುವ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ದಾಖಲೆಗಳಲ್ಲಿ ಒಟ್ಟು 110 ಸಾವಿರಕ್ಕಿಂತ ಕಡಿಮೆ ಟೋಕನ್‌ಗಳಿದ್ದರೆ, ಅವುಗಳ ಸಂಪೂರ್ಣ ವಿಷಯವನ್ನು ಸೇರಿಸಲಾಗುತ್ತದೆ.
ಒಂದೇ ದಾಖಲೆಯಲ್ಲಿ 110 ಸಾವಿರಕ್ಕಿಂತ ಹೆಚ್ಚು ಟೋಕನ್‌ಗಳಿದ್ದರೆ, ಅದರ ಆರಂಭದಿಂದ ಮೊದಲ 110 ಸಾವಿರ ಟೋಕನ್‌ಗಳನ್ನು ಮಾತ್ರ ಸೇರಿಸಲಾಗುತ್ತದೆ. ಉಳಿದ ಭಾಗವನ್ನು ಖಾಸಗಿ ಹುಡುಕಾಟ ಸೂಚಿಗೆ ಮಾತ್ರ ಕಳುಹಿಸಲಾಗುತ್ತದೆ.
ಹಲವು ದಾಖಲೆಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದಾಗ ಅವುಗಳ ಒಟ್ಟು ಟೋಕನ್‌ಗಳ ಸಂಖ್ಯೆ 110 ಸಾವಿರ ಮೀರಿದರೆ, ಪ್ರತಿ ದಾಖಲೆಗೂ ಸಮತೋಲಿತ ಪ್ರಾತಿನಿಧ್ಯ ನೀಡಲು ChatGPT Enterprise ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅನುಸರಿಸುತ್ತದೆ:
ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ ದಾಖಲೆಗಳ ನಡುವೆ ಸಮವಾಗಿ ಹಂಚಿ, ಒಟ್ಟು 55 ಸಾವಿರ ಟೋಕನ್‌ಗಳವರೆಗೆ ಹೊರತೆಗೆಯುತ್ತದೆ.
ಮೊದಲ ಹಂತದಲ್ಲಿ ಸಂಪೂರ್ಣವಾಗಿ ಸೇರಿಸಲಾಗದ ದಾಖಲೆಗಳಿಗೆ, ಪ್ರತಿಯೊಂದರಲ್ಲೂ ಉಳಿದಿರುವ ಟೋಕನ್‌ಗಳ ಸಂಖ್ಯೆಗೆ ಅನುಗುಣವಾಗಿ ಬಾಕಿ 55 ಸಾವಿರ ಟೋಕನ್‌ಗಳನ್ನು ಹಂಚುತ್ತದೆ.
ಇನ್ನೂ ಉಳಿದಿರುವ ಟೋಕನ್‌ಗಳನ್ನು ಖಾಸಗಿ ಹುಡುಕಾಟ ಸೂಚಿಗೆ ಮಾತ್ರ ಕಳುಹಿಸಲಾಗುತ್ತದೆ.
ಪಠ್ಯ ದಾಖಲೆಯಲ್ಲಿರುವ ಪಠ್ಯವನ್ನು ನಕಲಿಸಿ OpenAI ಟೋಕನೈಸರ್‌ಗೆ ಸೇರಿಸುವ ಮೂಲಕ ಅದರ ಟೋಕನ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಅಂದಾಜಿಸಬಹುದು.
ಬಹುಮಾಧ್ಯಮ PDF ಗಳ ವಿಷಯವನ್ನು ಸಂದರ್ಭಕ್ಕೆ ಸೇರಿಸುವುದು
ಬಳಕೆದಾರರು ಪಠ್ಯ ಮತ್ತು ಚಿತ್ರಗಳೆರಡನ್ನೂ ಹೊಂದಿರುವ PDF ಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದಾಗ, ಡಿಜಿಟಲ್ ವಿಧಾನದಲ್ಲಿ ಹೊರತೆಗೆದ ಪಠ್ಯದ ಜೊತೆಗೆ ಈ ಚಿತ್ರಗಳನ್ನೂ ನೇರವಾಗಿ ಸಂಸ್ಕರಿಸಲು ದೃಶ್ಯ ಮರುಪಡೆಯುವಿಕೆ ChatGPT ಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಬಹುಮಾಧ್ಯಮ PDF ಗಳಿಗಾಗಿ ನಾವು ಅನುಸರಿಸುವ ಪ್ರಮಾಣಿತ ಸಂದರ್ಭ ನಿರ್ವಹಣಾ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಈ ಹಂತಗಳು ಪೂರಕವಾಗಿವೆ:
ಚಿತ್ರಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು ಮತ್ತು ಅಳವಡಿಸುವುದು: ಚಿತ್ರಗಳನ್ನು ಹೊರತೆಗೆದು, ಅವುಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಡಿಜಿಟಲ್ ಪಠ್ಯದೊಂದಿಗೆ ಅಳವಡಿಸಲಾಗುತ್ತದೆ.
ಬುದ್ಧಿವಂತ ಗಾತ್ರ ಹೊಂದಾಣಿಕೆ: ಮಾಹಿತಿಯ ಗುಣಮಟ್ಟ ಮತ್ತು ಲಭ್ಯವಿರುವ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋದ ದಕ್ಷ ಬಳಕೆಯ ನಡುವೆ ಸಮತೋಲನ ಕಾಯ್ದುಕೊಳ್ಳಲು ಚಿತ್ರಗಳ ಗಾತ್ರವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊಂದಿಸಲಾಗುತ್ತದೆ.
ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ PDF ಗಳು 110 ಸಾವಿರ ಟೋಕನ್‌ಗಳ ಮಿತಿಯನ್ನು ಮೀರಿದಾಗ, ಚಿತ್ರಗಳು ಮತ್ತು ಪಠ್ಯ ಎರಡನ್ನೂ ಖಾಸಗಿ ಹುಡುಕಾಟ ಸೂಚಿಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗುತ್ತದೆ. ಪಠ್ಯ ಎಂಬೆಡಿಂಗ್‌ಗಳಲ್ಲಿ ಸಂಬಂಧಿತ ಚಿತ್ರಗಳ ಉಲ್ಲೇಖಗಳಿರುತ್ತವೆ. ಇದರಿಂದ ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆಗಳ ಆಧಾರದ ಮೇಲೆ ಸೂಕ್ತ ಪಠ್ಯ-ಚಿತ್ರ ಜೋಡಿಗಳನ್ನು ಮರುಪಡೆಯಲು ChatGPT ಗೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ. ನಂತರ ಮರುಪಡೆದ ಚಿತ್ರಗಳನ್ನು ChatGPT ಯ ಅಂತರ್ನಿರ್ಮಿತ ಬಹುಮಾಧ್ಯಮ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಬಳಸಿ ಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ.
ಬಹುಮಾಧ್ಯಮ PDF ಗಳಿಗೆ ಎಷ್ಟು ಟೋಕನ್‌ಗಳು ಬೇಕಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ನಿಖರವಾಗಿ ಅಂದಾಜಿಸುವುದು ಕಷ್ಟ. ಪಠ್ಯ ಮತ್ತು ಚಿತ್ರಗಳನ್ನು ಒಳಗೊಂಡ ಸುಮಾರು 350 ಪುಟಗಳು 110 ಸಾವಿರ ಟೋಕನ್‌ಗಳ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ತುಂಬುತ್ತವೆ ಎಂದು ಪರೀಕ್ಷೆಗಳು ಸೂಚಿಸುತ್ತವೆ.
ಮಾಡೆಲ್ ಪ್ರಕಾರದ ಆಧಾರದ ಮೇಲೆ ಹುಡುಕಾಟ ತಂತ್ರಗಳು
GPT-ಸರಣಿ ಮತ್ತು o-ಸರಣಿಯ ಎರಡೂ ಮಾಡೆಲ್‌ಗಳು ಫೈಲ್ ಅಪ್‌ಲೋಡ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ ಮತ್ತು ಒಂದೇ ರೀತಿಯ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ಸ್ಟಫಿಂಗ್ ಹಾಗೂ ಹುಡುಕಾಟ ಎಂಬೆಡಿಂಗ್ ಲಾಜಿಕ್ ಅನ್ನು ಬಳಸುತ್ತವೆ. ಎಲ್ಲಾ ಮಾಡೆಲ್‌ಗಳು ಕೀವರ್ಡ್ ಮತ್ತು ಸೆಮ್ಯಾಂಟಿಕ್ ವಿಧಾನಗಳನ್ನು ಸಂಯೋಜಿಸಿ, ಖಾಸಗಿ ಹುಡುಕಾಟ ಸೂಚ್ಯಂಕದ ವಿರುದ್ಧ ಹೈಬ್ರಿಡ್ ಹುಡುಕಾಟಗಳನ್ನು ನಡೆಸುತ್ತವೆ. ಹೈಬ್ರಿಡ್ ಹುಡುಕಾಟದಲ್ಲಿ, ಮಾಡೆಲ್ ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್ ಆಧರಿಸಿ ಹುಡುಕಾಟ ಪದಗುಚ್ಛವನ್ನು ರಚಿಸುತ್ತದೆ, ಮತ್ತು ಖಾಸಗಿ ಹುಡುಕಾಟ ಸೂಚ್ಯಂಕವು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಸಂಬಂಧಿತ ಪಠ್ಯ ಮತ್ತು ಚಿತ್ರಗಳನ್ನು ಪಡೆಯುತ್ತದೆ.
ಆದಾಗ್ಯೂ, ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋವನ್ನು ಮೀರುವ ದೊಡ್ಡ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳಲ್ಲಿ ಹುಡುಕುವ ವಿಧಾನದಲ್ಲಿ ಈ ಮಾಡೆಲ್‌ಗಳು ಭಿನ್ನವಾಗಿರುತ್ತವೆ:
GPT-ಸರಣಿಯ ಮಾಡೆಲ್‌ಗಳು
ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಒಂದೇ ಹುಡುಕಾಟ: GPT-ಸರಣಿಯ ಮಾಡೆಲ್‌ಗಳು ಪ್ರತಿ ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಒಂದು ಹುಡುಕಾಟ ನಡೆಸುತ್ತವೆ.
ಪರಿಣಾಮಕಾರಿ ಬಳಕೆಯ ಸಂದರ್ಭಗಳು: ವ್ಯಾಪಕ ದಸ್ತಾವೇಜುಗಳಲ್ಲಿ ಅಡಕವಾಗಿರುವ ನೇರ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಸೂಕ್ತವಾಗಿದೆ.
ಉದಾಹರಣೆ ಪ್ರಶ್ನೆಗಳು:
"ಮುಂಚಿನ ನಿವೃತ್ತಿಗೆ ಸಂಬಂಧಿಸಿದ ಮಾನವ ಸಂಪನ್ಮೂಲ ನೀತಿ ಏನು?"
"process_order ಫಂಕ್ಷನ್ ಏನು ಮಾಡುತ್ತದೆ?"
o-ಸರಣಿಯ ಮಾಡೆಲ್‌ಗಳು
ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಹಲವು ಹುಡುಕಾಟಗಳು: ಪ್ರತಿ ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಪ್ರತ್ಯೇಕ ಹುಡುಕಾಟ ಪದಗುಚ್ಛದೊಂದಿಗೆ ಹಲವು ಹುಡುಕಾಟಗಳನ್ನು (ಸಾಮಾನ್ಯವಾಗಿ 2-3) ನಡೆಸಬಹುದು. ಹುಡುಕಾಟಗಳನ್ನು ಅನುಕ್ರಮವಾಗಿ ನಡೆಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹಿಂದಿನ ಹುಡುಕಾಟಗಳಲ್ಲಿ ಪಡೆದ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ ಮಾಡೆಲ್ ತನ್ನ ವಿಧಾನವನ್ನು ಬದಲಾಯಿಸಬಹುದು.
ಪರಿಣಾಮಕಾರಿ ಬಳಕೆಯ ಸಂದರ್ಭಗಳು: ವ್ಯಾಪಕ ದಸ್ತಾವೇಜುಗಳಲ್ಲಿ ಹಲವು ನಿರ್ದಿಷ್ಟ ಹುಡುಕಾಟಗಳ ಅಗತ್ಯವಿರುವ ಸಂಕೀರ್ಣ ಪ್ರಶ್ನೆಗಳಿಗೆ ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿದೆ.
ಉದಾಹರಣೆ ಪ್ರಶ್ನೆಗಳು:
"ಮುಂಚಿನ ನಿವೃತ್ತಿ, ಪೋಷಕರ ರಜೆ ಮತ್ತು ವಿದೇಶಿ ವರ್ಗಾವಣೆಗೆ ಸಂಬಂಧಿಸಿದ ಮಾನವ ಸಂಪನ್ಮೂಲ ನೀತಿಗಳು ಯಾವುವು?"
"process_order ಫಂಕ್ಷನ್ ಏನು ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ, ಈ ಫಂಕ್ಷನ್ ಆಹ್ವಾನಿಸುವ ಎಲ್ಲ ಮೆಥಡ್‌ಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿ ಮೆಥಡ್‌ನ ಸಂಕ್ಷಿಪ್ತ ವಿವರಣೆ ನೀಡಿ."
ತಮ್ಮ ಸಾಮರ್ಥ್ಯಗಳ ಹೊರತಾಗಿಯೂ, ಪ್ರಶ್ನೆಯೊಂದಕ್ಕೆ ಮೂರಕ್ಕಿಂತ ಹೆಚ್ಚು ಹುಡುಕಾಟಗಳು ಅಗತ್ಯವಿದ್ದರೆ o-ಸರಣಿಯ ಮಾಡೆಲ್‌ಗಳಿಗೆ ಕಷ್ಟವಾಗಬಹುದು.
ಫೈಲ್ ಹುಡುಕಾಟ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸಲು ಸಲಹೆಗಳು
ಅನೇಕ ಹುಡುಕಾಟಗಳು ಅಗತ್ಯವಿರುವ ಸಂಕೀರ್ಣ ಪ್ರಶ್ನೆಗಳಿಗೆ o-ಸರಣಿಯ ಮಾಡೆಲ್ ಬಳಸಲು ಪ್ರಯತ್ನಿಸಿ.
ನೀವು ಅಪ್‌ಲೋಡ್ ಮಾಡುವ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳ ಪ್ರಕಾರ, ಸಂಖ್ಯೆ ಮತ್ತು ಗಾತ್ರದ ಆಧಾರದ ಮೇಲೆ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಬದಲಾಗಬಹುದು ಎಂಬುದನ್ನು ನೆನಪಿಡಿ.
ಸಾಮಾನ್ಯವಾಗಿ, ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಕೇಂದ್ರೀಕೃತ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳನ್ನು ಲೋಡ್ ಮಾಡಿದರೆ ಹೆಚ್ಚಿನ ನಿಖರತೆ ದೊರೆಯುತ್ತದೆ.
ಬಹು-ಪ್ರಶ್ನೆಯ ವಿಷಯಗಳನ್ನು ಒಂದೊಂದು ಪ್ರಶ್ನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸಿ:
ಪ್ರತಿ ರಾಜ್ಯದ HR ನೀತಿಗಳನ್ನು ತಿಳಿಯಬೇಕಾದರೆ, ಅವನ್ನು ಒಂದೊಂದಾಗಿ ಕೇಳಿ.
ಅನೇಕ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಬೇಕಾದರೆ, ಒಂದೇ ಸಮಯದಲ್ಲಿ ಒಂದು ಡಾಕ್ಯುಮೆಂಟ್ ಕೇಳಿ. ಆ ಡಾಕ್ಯುಮೆಂಟ್ ನೂರಾರು ಪುಟಗಳಷ್ಟು ದೊಡ್ಡದಾಗಿದ್ದರೆ, ಅದನ್ನು ಚಿಕ್ಕ ಘಟಕಗಳಾಗಿ ವಿಭಜಿಸುವುದನ್ನು ಪರಿಗಣಿಸಿ.
ಸಂಪೂರ್ಣ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳ ಬದಲಿಗೆ ಅನೇಕ ಸಾರಾಂಶಗಳನ್ನು ನೀಡಿದ್ದರೆ, ChatGPT Enterprise ಗೆ “ಸಾರಾಂಶಗಳ ಸಾರಾಂಶ” ಬರೆಯಲು ಕೇಳಬಹುದು.
ನಿಮ್ಮ ಬಳಿ RFP ಯ CSV ಇದ್ದರೆ (ಪ್ರತಿ ಸಾಲು ಬೇರೆ ಪ್ರಶ್ನೆ), CSV ಅನ್ನು ಲೋಡ್ ಮಾಡಿ ಒಂದೇ ಪ್ರತಿಕ್ರಿಯೆ ಕೇಳುವ ಬದಲು ಆ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಂದೊಂದಾಗಿ ಕೇಳಿ.
ಮಾಡೆಲ್‌ನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಆಡಿಟ್ ಮಾಡುವ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ. ಉದಾಹರಣೆ GPT ಸೂಚನೆಗಳು ಕೆಳಗಿವೆ:
# ಸಂದರ್ಭ
ನೀವು ದಸ್ತಾವೇಜುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಪರಿಣತರಾಗಿದ್ದೀರಿ. ಬಳಕೆದಾರರು ಒಂದು ದಸ್ತಾವೇಜನ್ನು ಅಟಾಚ್ ಮಾಡಿ ಒಂದು ಪ್ರಶ್ನೆ ಕೇಳಲಿದ್ದಾರೆ. ನಿಮ್ಮ ಉತ್ತರವನ್ನು ನೀವು ಯಾವ ನಿಖರ ಪಠ್ಯ ಭಾಗದಿಂದ ತೆಗೆದುಕೊಂಡಿದ್ದೀರಿ ಎಂಬುದಕ್ಕೆ ಅವರು ಸಂಪರ್ಕ ಕಲ್ಪಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗಬೇಕು.
# ಸೂಚನೆಗಳು
1. ಕೆಳಗೆ ನೀಡಿರುವ ನಿಖರ ಸ್ವರೂಪವನ್ನು ಬಳಸಿ, ಬಳಕೆದಾರರ ಅಟಾಚ್ ಮಾಡಿದ ದಸ್ತಾವೇಜಿನ ಆಧಾರದಲ್ಲಿ ಅವರ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಿ.
# ಸ್ವರೂಪ
- Question: { ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆಯನ್ನು ಪುನರಾವರ್ತಿಸಿ }
- Answer: { ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರ ನೀಡಿ }
Source:
- - Section Number: { ನೀವು ಉತ್ತರ ತೆಗೆದುಕೊಂಡ ವಿಭಾಗ ಸಂಖ್ಯೆಯನ್ನು ನೀಡಿ }
- - Section Title: { ನೀವು ಉತ್ತರ ತೆಗೆದುಕೊಂಡ ವಿಭಾಗ ಶೀರ್ಷಿಕೆಯನ್ನು ನೀಡಿ }
- - Exact Text: { ನೀವು ಉತ್ತರ ತೆಗೆದುಕೊಂಡ ನಿಖರ ಪಠ್ಯವನ್ನು ನೀಡಿ }
# ನಿಯಮಗಳು
- ಸ್ಪಷ್ಟ ಮತ್ತು ಸಂಕ್ಷಿಪ್ತ ಉತ್ತರಗಳನ್ನು ನೀಡಿ
- ದಸ್ತಾವೇಜಿನಲ್ಲಿ ನೀಡಿರುವ ಮಾಹಿತಿಯನ್ನು ಮಾತ್ರ ನೀಡಿ
- ದಸ್ತಾವೇಜಿನಲ್ಲಿ ಉತ್ತರ ಸಿಗದಿದ್ದರೆ, ಸರಳವಾಗಿ "ಮಾಹಿತಿ ಕಂಡುಬಂದಿಲ್ಲ." ಎಂದು ಉತ್ತರಿಸಿ.