പ്രോംപ്റ്റുകളിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന PDF ഫയലുകളിൽ ഉൾച്ചേർത്ത ദൃശ്യങ്ങൾ (ചിത്രങ്ങൾ, ഗ്രാഫുകൾ, ഡയഗ്രാമുകൾ തുടങ്ങിയവ) വായിക്കുകയും മനസ്സിലാക്കുകയും ചെയ്യുന്നതിനെ ChatGPT Enterprise ഇപ്പോൾ പിന്തുണയ്ക്കുന്നു. ഉപയോക്താക്കൾക്ക് ഒരു PDF അപ്ലോഡ് ചെയ്യാം, ആ ഫയലിലെ ടെക്സ്റ്റും കൂടാതെ ഏതെങ്കിലും ദൃശ്യ ഘടകങ്ങളും ChatGPT-ക്ക് വ്യാഖ്യാനിക്കാനാകും.
വിശദാംശങ്ങൾക്ക് PDF-കളിലെ വിഷ്വൽ റിട്രീവൽ സംബന്ധിച്ച പതിവുചോദ്യങ്ങൾ കാണുക.
ChatGPT Enterprise-ലേക്ക് പലവിധത്തിൽ ഫയലുകൾ അപ്ലോഡ് ചെയ്യാം:
നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽനിന്ന് നേരിട്ട്
Google Drive / SharePoint / OneDrive എന്നിവയിൽനിന്ന്
ഫയലുകളുടെ തരം, എണ്ണം, വലുപ്പം എന്നിവയെ അടിസ്ഥാനമാക്കി ChatGPT Enterprise സവിശേഷതകൾ അവ കൈകാര്യം ചെയ്യുന്നതെങ്ങനെയെന്ന് ഈ മാർഗ്ഗനിർദേശം വിശദീകരിക്കുന്നു. ഫയൽ ആവശ്യകതകൾക്കനുസരിച്ച് ഫലങ്ങൾ മെച്ചപ്പെടുത്താനുള്ള തന്ത്രങ്ങളും ഇതിൽ ചർച്ച ചെയ്യുന്നു.
സംഗ്രഹം
ChatGPT Enterprise വ്യത്യസ്ത ഫയൽ തരങ്ങൾ വ്യത്യസ്ത രീതികളിലാണ് കൈകാര്യം ചെയ്യുന്നത്: PDF, അവതരണങ്ങൾ, Word ഫയലുകൾ തുടങ്ങിയ ടെക്സ്റ്റ് ഡോക്യുമെന്റുകളിൽനിന്ന് ടെക്സ്റ്റ് വേർതിരിച്ചെടുക്കുന്നു; Python കോഡ് ഉപയോഗിച്ച് സ്പ്രെഡ്ഷീറ്റുകളിലെ ഘടനാപരമായ ഡാറ്റ വിശകലനം ചെയ്യുന്നു; GPT-Vision വഴി ചിത്ര ഫയലുകൾ വിവരിക്കുന്നു. ഏത് ഫയൽ തരമാണ് ഏത് പ്രവർത്തനക്രമം സജീവമാക്കുന്നതെന്ന് മനസ്സിലാക്കുന്നത് പ്രതീക്ഷിച്ച ഫലം നേടുന്നതിന് നിർണായകമാണ്.
ടെക്സ്റ്റ് അധിഷ്ഠിത ഡോക്യുമെന്റുകളിൽനിന്ന് പ്രസക്തമായ പരമാവധി ടെക്സ്റ്റ് ChatGPT Enterprise പ്രോംപ്റ്റിനൊപ്പം നേരിട്ട് ഉൾപ്പെടുത്തുകയും കൂടുതൽ വിവരങ്ങൾ ലഭ്യമാക്കാൻ ഒരു തിരയൽ സംവിധാനം ഉപയോഗിക്കുകയും ചെയ്യുന്നു. നിർദിഷ്ട ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഈ രീതി ഫലപ്രദമാണ്. എന്നാൽ വളരെ വലിയ ഡോക്യുമെന്റുകൾ സംഗ്രഹിക്കുക, ഒന്നിലധികം വലിയ ഫയലുകൾ താരതമ്യം ചെയ്യുക തുടങ്ങിയ സങ്കീർണ്ണ ജോലികളിൽ ഈ സമീപനത്തിന് ബുദ്ധിമുട്ട് നേരിടാം. നിങ്ങളുടെ ഫലങ്ങൾ മെച്ചപ്പെടുത്താനുള്ള തന്ത്രങ്ങൾ മനസ്സിലാക്കാൻ തുടർന്ന് വായിക്കുക.
തരം അടിസ്ഥാനമാക്കി ഫയലുകൾ കൈകാര്യം ചെയ്യൽ
ChatGPT Enterprise പ്രധാനമായും മൂന്ന് രീതികളിലാണ് ഫയലുകൾ പ്രോസസ്സ് ചെയ്യുന്നത്: ടെക്സ്റ്റ് വേർതിരിച്ചെടുക്കൽ, കോഡ് വിശകലനം, ചിത്ര വ്യാഖ്യാനം. ChatGPT Enterprise ഏത് പ്രവർത്തനക്രമം പിന്തുടരണമെന്ന് ഫയൽ തരം നിർണയിക്കുന്നു.
| ടെക്സ്റ്റ് അധിഷ്ഠിത വീണ്ടെടുക്കൽ | കോഡ് ഇന്റർപ്രെറ്റർ | ചിത്ര പ്രോസസ്സിങ് | ദൃശ്യ വീണ്ടെടുക്കൽ | |
|---|---|---|---|---|
| ഫയൽ തരങ്ങളുടെ ഉദാഹരണങ്ങൾ | pptx, docx, txt, md, json, xml, pdf* * GPT വിജ്ഞാനമായോ പ്രോജക്റ്റ് ഫയലുകളായോ അപ്ലോഡ് ചെയ്ത PDF-കൾ | csv, xls, xlsx* *കുറിപ്പ്: കോഡ് ഇന്റർപ്രെറ്ററിന് ഏത് ഫയൽ തരത്തിലും പ്രവർത്തിക്കാനാകും. എന്നാൽ സ്പ്രെഡ്ഷീറ്റുകൾക്കായി ChatGPT Enterprise സാധാരണയായി CI ആണ് സ്വതവേ ഉപയോഗിക്കുന്നത് | jpg, png | pdf* * ഉപയോക്തൃ പ്രോംപ്റ്റുകളിൽ ഉൾപ്പെടുത്തിയ PDF-കൾ |
| പ്രവർത്തനരീതി | ഫയലിൽനിന്ന് ടെക്സ്റ്റ് വേർതിരിച്ചെടുക്കുന്നു. അതിൽ കുറച്ച് ടെക്സ്റ്റ് നേരിട്ട് സന്ദർഭ പരിധിയിൽ ചേർക്കുന്നു (“നിറയ്ക്കുന്നു”); ബാക്കിയുള്ളത് തിരയലിനായി സംഭരിക്കുന്നു | പ്രോസസ്സിങ്ങിനായി കോഡ് ഇന്റർപ്രെറ്റർ ഫയൽ Python-ലേക്ക് കൈമാറുന്നു | അറിയപ്പെടുന്ന പരിമിതികൾക്ക് വിധേയമായി, മൾട്ടി-മോഡൽ മോഡലുകൾ ചിത്രങ്ങളെ നേരിട്ട് വ്യാഖ്യാനിക്കുന്നു. | ടെക്സ്റ്റ് വീണ്ടെടുക്കലും ചിത്ര പ്രോസസ്സിങ്ങും സംയോജിപ്പിച്ച രീതി. ടെക്സ്റ്റ് ഡിജിറ്റലായി വേർതിരിച്ചെടുക്കുകയും ദൃശ്യ ഉള്ളടക്കം മൾട്ടി-മോഡൽ മോഡലുകൾ നേരിട്ട് വ്യാഖ്യാനിക്കുകയും ചെയ്യുന്നു. |
ടെക്സ്റ്റ് മാത്രമുള്ള ഫയലുകൾ, ചിത്ര ഫയലുകൾ, വ്യക്തമായി ഘടനപ്പെടുത്തിയ ഡാറ്റ ഫയലുകൾ (ഉദാ., ഇടപാടുകളുടെ Excel പട്ടിക) എന്നിവയ്ക്ക് ഈ വിഭജനങ്ങൾ സാധ്യമായ ഏറ്റവും മികച്ച പ്രവർത്തനരീതിയാണ് നൽകുന്നത്.
എന്നാൽ അത്ര വ്യക്തതയില്ലാത്ത ചില സാഹചര്യങ്ങളുമുണ്ട്. ഉദാഹരണത്തിന്:
PDF ഒഴികെയുള്ള ഫയലുകളിൽ ഉൾച്ചേർത്ത ചിത്രങ്ങൾ പ്രോസസ്സ് ചെയ്യില്ല. അവ ഉൾപ്പെടുത്താൻ, അപ്ലോഡ് ചെയ്യുന്നതിന് മുമ്പ് ഫയൽ PDF ആക്കി മാറ്റുക.
ഡോക്യുമെന്റിൽ വലിയ അളവിൽ ടെക്സ്റ്റ് ഉണ്ടെങ്കിലും, സ്പ്രെഡ്ഷീറ്റുകളുമായി പ്രവർത്തിക്കാൻ ChatGPT Enterprise എല്ലായ്പ്പോഴും കോഡ് ഇന്റർപ്രെറ്റർ ഉപയോഗിക്കും. ഉദാഹരണത്തിന്, 10 വരി ടെക്സ്റ്റുള്ള ഒരു CSV ഫയൽ വിവർത്തനം ചെയ്യാൻ ChatGPT Enterprise-നോട് ആവശ്യപ്പെട്ടാൽ, ഒരു Python ലൈബ്രറി ഉപയോഗിച്ച് ഫയൽ വിവർത്തനം ചെയ്യാൻ അത് ശ്രമിക്കും. മോഡൽ നേരിട്ട് വിവർത്തനം സൃഷ്ടിക്കുന്നതിനേക്കാൾ കൃത്യത കുറഞ്ഞ രീതിയാണിത്. ഈ പ്രശ്നം കുറയ്ക്കാൻ, സ്പ്രെഡ്ഷീറ്റ് ഒരു ടെക്സ്റ്റ് അധിഷ്ഠിത ഫോർമാറ്റിലേക്ക് (ഉദാഹരണത്തിന് PDF) കയറ്റുമതി ചെയ്യാൻ ശ്രമിക്കുക.
അതുപോലെ, ഒരു JSON ഫയലിലുള്ള ഘടനാപരമായ ഇടപാട് പട്ടിക അപ്ലോഡ് ചെയ്താൽ, ChatGPT Enterprise അതിനെ സാധാരണ ടെക്സ്റ്റായി വ്യാഖ്യാനിക്കും. ഒരു JSON ഫയലിലുള്ള ഡാറ്റ വിശകലനം ചെയ്യണമെങ്കിൽ, നിങ്ങളുടെ പ്രോംപ്റ്റിൽ കോഡ് ഇന്റർപ്രെറ്റർ ഉപയോഗിക്കാൻ മോഡലിന് നിർദേശം നൽകുക.
വലുപ്പം അടിസ്ഥാനമാക്കി ഫയലുകൾ കൈകാര്യം ചെയ്യൽ
ChatGPT Enterprise പരമാവധി 128k ടോക്കൺ സന്ദർഭ പരിധിയുള്ള മോഡലുകൾ ഉപയോഗിക്കുന്നു (ഏകദേശം 200 പേജ് ടെക്സ്റ്റ്). എന്നിരുന്നാലും, അപ്ലോഡ് ചെയ്ത ഫയലുകളിൽ നിന്നുള്ള ടെക്സ്റ്റ് ഉൾപ്പെടുത്താൻ എല്ലാ ടോക്കണുകളും ഉപയോഗിക്കുന്നില്ല. “സ്റ്റഫ് ചെയ്ത” ടോക്കണുകളുടെ എണ്ണം ഉപയോഗ തരം അനുസരിച്ച് മാറുന്നു.
ChatGPT Enterprise കുറച്ച് അളവിലുള്ള ടെക്സ്റ്റ് "സ്റ്റഫ്" ചെയ്യുന്നു, ശേഷിക്കുന്ന ടെക്സ്റ്റ് സ്വകാര്യ തിരയൽ ഇൻഡെക്സിലേക്ക് (വലിയ അളവിലുള്ള ടെക്സ്റ്റ് കാര്യക്ഷമമായി സംഭരിക്കാനും വീണ്ടെടുക്കാനും രൂപകൽപ്പന ചെയ്ത ഒരു ഡാറ്റാബേസ് തരമായ "വെക്ടർ സ്റ്റോർ") അയയ്ക്കുന്നു. നിങ്ങൾ ഒരു ചോദ്യം ചോദിക്കുമ്പോൾ, ChatGPT Enterprise ഉൾപ്പെടുത്തിയ ടെക്സ്റ്റിനൊപ്പം സ്വകാര്യ തിരയൽ ഇൻഡെക്സിൽ നിന്ന് വീണ്ടെടുത്ത പ്രസക്ത ഭാഗങ്ങളും കൊണ്ടുവരുന്നു.
നിങ്ങൾ ഒറ്റ പ്രമാണം അപ്ലോഡ് ചെയ്താൽ, ChatGPT Enterprise അതിന്റെ പരിധിയിലെത്തുന്നതുവരെ തുടക്കം മുതൽ ടെക്സ്റ്റ് ഉൾപ്പെടുത്തുന്നു. നിങ്ങൾ ഒന്നിലധികം പ്രമാണങ്ങൾ അപ്ലോഡ് ചെയ്താൽ, ChatGPT Enterprise ഓരോ പ്രമാണത്തിലും നിന്നുള്ള ചിലതോ മുഴുവൻ ടെക്സ്റ്റോ ഉൾപ്പെടുത്തുന്നു. പ്രമാണങ്ങളിലെ എല്ലാ ടെക്സ്റ്റും സ്വകാര്യ തിരയൽ ഇൻഡെക്സിലേക്കും അയയ്ക്കപ്പെടുന്നു.
ടെക്സ്റ്റ് പ്രമാണങ്ങൾക്കായുള്ള സന്ദർഭ സ്റ്റഫിംഗ്
ഈ സവിശേഷത സജീവ വികസനത്തിലാണ്. അതിനാൽ, താഴെപ്പറയുന്ന വിവരങ്ങൾ മുൻകൂർ അറിയിപ്പില്ലാതെ മാറ്റത്തിന് വിധേയമാണ്.
ChatGPT Enterprise-ന് അപ്ലോഡ് ചെയ്ത പ്രമാണങ്ങളിൽ നിന്ന് സന്ദർഭ പരിധിയിൽ 110k ടോക്കൺ വരെ പ്രോസസ്സ് ചെയ്യാൻ കഴിയും. മൊത്തം 110k ടോക്കണിൽ താഴെ വരുന്ന ഒന്നോ അതിലധികമോ പ്രമാണങ്ങൾ നിങ്ങൾ അപ്ലോഡ് ചെയ്താൽ, പൂർണ്ണ ഉള്ളടക്കം ഉൾപ്പെടുത്തും.
110k ടോക്കൺ കവിയുന്ന ഒറ്റ പ്രമാണത്തിനായി, തുടക്കം മുതൽ ആദ്യത്തെ 110k ടോക്കൺ മാത്രം ഉൾപ്പെടുത്തും. ശേഷിക്കുന്നവ സ്വകാര്യ തിരയൽ ഇൻഡെക്സിലേക്ക് മാത്രമേ അയയ്ക്കൂ.
ഒന്നിലധികം പ്രമാണങ്ങൾ അപ്ലോഡ് ചെയ്യുകയും അവയുടെ മൊത്തം എണ്ണം 110k ടോക്കൺ കവിയുകയും ചെയ്താൽ, പ്രമാണ പ്രതിനിധാനം സന്തുലിതമാക്കാൻ ChatGPT Enterprise രണ്ട് ഘട്ടങ്ങളുള്ള പ്രക്രിയ ഉപയോഗിക്കുന്നു:
അപ്ലോഡ് ചെയ്ത പ്രമാണങ്ങൾക്കിടയിൽ തുല്യമായി വിഭജിച്ച് 55k ടോക്കൺ വരെ എടുക്കുക.
ആദ്യ ഘട്ടത്തിൽ പൂർണ്ണമായി പ്രതിനിധീകരിക്കപ്പെടാത്ത പ്രമാണങ്ങൾക്ക്, ഓരോ പ്രമാണത്തിലും ശേഷിക്കുന്ന ടോക്കണുകളുടെ അടിസ്ഥാനത്തിൽ ശേഷിക്കുന്ന 55k ടോക്കൺ ആനുപാതികമായി അനുവദിക്കുക.
ശേഷിക്കുന്ന ഏതെങ്കിലും ടോക്കണുകൾ സ്വകാര്യ തിരയൽ ഇൻഡെക്സിലേക്ക് മാത്രമേ അയയ്ക്കൂ.
ഒരു ടെക്സ്റ്റ് പ്രമാണത്തിലെ ടോക്കണുകളുടെ എണ്ണം കണക്കാക്കാൻ, പ്രമാണത്തിന്റെ ടെക്സ്റ്റ് OpenAI Tokenizer-ലേക്ക് പകർത്താം.
മൾട്ടിമീഡിയ PDF-കൾക്കായുള്ള സന്ദർഭ സ്റ്റഫിംഗ്
ഉപയോക്താക്കൾ ടെക്സ്റ്റും ചിത്രങ്ങളും അടങ്ങിയ PDF-കൾ അപ്ലോഡ് ചെയ്യുമ്പോൾ, ഡിജിറ്റലായി എക്സ്ട്രാക്റ്റ് ചെയ്ത ടെക്സ്റ്റിനൊപ്പം ഈ ചിത്രങ്ങൾ സ്വാഭാവികമായി പ്രോസസ്സ് ചെയ്യാൻ വിഷ്വൽ റിട്രീവൽ ChatGPT-നെ പ്രാപ്തമാക്കുന്നു. മൾട്ടിമീഡിയ PDF-കൾക്കായുള്ള ഞങ്ങളുടെ സാധാരണ സന്ദർഭ-കൈകാര്യം ചെയ്യൽ നടപടിക്രമങ്ങൾക്ക് താഴെപ്പറയുന്ന ഘട്ടങ്ങൾ അനുബന്ധമായി പ്രവർത്തിക്കുന്നു:
ചിത്ര എക്സ്ട്രാക്ഷനും എംബെഡിംഗും: ചിത്രങ്ങൾ അവയുമായി ബന്ധപ്പെട്ട ഡിജിറ്റൽ ടെക്സ്റ്റിനൊപ്പം എക്സ്ട്രാക്റ്റ് ചെയ്ത് എംബെഡ് ചെയ്യുന്നു.
ബുദ്ധിപരമായ സ്കെയിലിംഗ്: ലഭ്യമായ സന്ദർഭ പരിധിയുടെ കാര്യക്ഷമമായ ഉപയോഗവും വിവര ഗുണനിലവാരവും തമ്മിൽ സന്തുലിതാവസ്ഥ നിലനിർത്താൻ ചിത്രങ്ങൾ സ്വയമേവ സ്കെയിൽ ചെയ്യപ്പെടുന്നു.
അപ്ലോഡ് ചെയ്ത PDF-കൾ 110k ടോക്കൺ പരിധി കവിയുമ്പോൾ, ചിത്രങ്ങളും ടെക്സ്റ്റും സ്വകാര്യ തിരയൽ ഇൻഡെക്സിൽ എംബെഡ് ചെയ്യപ്പെടുന്നു. ടെക്സ്റ്റ് എംബെഡിംഗുകൾ പ്രസക്തമായ ചിത്രങ്ങളെ സൂചിപ്പിക്കുന്നതിനാൽ, ഉപയോക്തൃ ചോദ്യങ്ങളുടെ അടിസ്ഥാനത്തിൽ അനുയോജ്യമായ ടെക്സ്റ്റ്-ചിത്ര ജോടികൾ ChatGPT-ക്ക് വീണ്ടെടുക്കാനാകും. വീണ്ടെടുത്ത ചിത്രങ്ങൾ പിന്നീട് ChatGPT-യുടെ സ്വദേശീയ മൾട്ടിമോഡൽ കഴിവുകൾ ഉപയോഗിച്ച് പ്രോസസ്സ് ചെയ്യപ്പെടുന്നു.
മൾട്ടിമീഡിയ PDF-കൾക്കായുള്ള ടോക്കൺ ആവശ്യകതകൾ കൃത്യമായി കണക്കാക്കുന്നത് വെല്ലുവിളിയാണ്. മിശ്രിത ടെക്സ്റ്റും ചിത്രങ്ങളും അടങ്ങിയ ഏകദേശം 350 പേജുകൾ 110k ടോക്കൺ സന്ദർഭ പരിധി പൂർണ്ണമായി ഉപയോഗിക്കുമെന്ന് പരിശോധന സൂചിപ്പിക്കുന്നു.
മോഡൽ തരം അടിസ്ഥാനമാക്കിയുള്ള തിരയൽ തന്ത്രങ്ങൾ
GPT-സീരീസ്, o-സീരീസ് മോഡലുകൾ രണ്ടും ഫയൽ അപ്ലോഡുകൾ പിന്തുണയ്ക്കുകയും ഒരേ സന്ദർഭ സ്റ്റഫിംഗ്, തിരയൽ എംബെഡിംഗ് ലോജിക് ഉപയോഗിക്കുകയും ചെയ്യുന്നു. എല്ലാ മോഡലുകളും കീശബ്ദ, സെമാന്റിക് രീതികൾ സംയോജിപ്പിച്ച് സ്വകാര്യ തിരയൽ ഇൻഡെക്സിൽ ഹൈബ്രിഡ് തിരയലുകൾ നടത്തുന്നു. ഹൈബ്രിഡ് തിരയലിൽ, ഉപയോക്താവിന്റെ പ്രോംപ്റ്റിന്റെ അടിസ്ഥാനത്തിൽ മോഡൽ ഒരു തിരയൽ വാക്യം സൃഷ്ടിക്കുന്നു, അതനുസരിച്ച് സ്വകാര്യ തിരയൽ ഇൻഡെക്സ് പ്രസക്തമായ ടെക്സ്റ്റും ചിത്രങ്ങളും വീണ്ടെടുക്കുന്നു.
എന്നിരുന്നാലും, സന്ദർഭ പരിധി കവിയുന്ന വലിയ പ്രമാണങ്ങളിലൂടെ തിരയുന്ന രീതിയിൽ ഈ മോഡലുകൾ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു:
GPT-സീരീസ് മോഡലുകൾ
ഓരോ പ്രോംപ്റ്റിനും ഒരു തിരയൽ: GPT-സീരീസ് മോഡലുകൾ ഓരോ ഉപയോക്തൃ പ്രോംപ്റ്റിനും ഒരു തിരയൽ നടത്തുന്നു.
ഫലപ്രദമായ ഉപയോഗ സാഹചര്യങ്ങൾ: വിപുലമായ ഡോക്യുമെന്റേഷനിലുള്ള നേരിട്ടുള്ള ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ അനുയോജ്യം.
ഉദാഹരണ ചോദ്യങ്ങൾ:
"നേരത്തെയുള്ള വിരമിക്കൽ സംബന്ധിച്ച മാനവ വിഭവശേഷി നയം എന്താണ്?"
"process_order ഫങ്ഷൻ എന്താണ് ചെയ്യുന്നത്?"
o-സീരീസ് മോഡലുകൾ
ഓരോ പ്രോംപ്റ്റിനും ഒന്നിലധികം തിരയലുകൾ: ഓരോ ഉപയോക്തൃ പ്രോംപ്റ്റിനും വ്യത്യസ്തമായ തിരയൽ വാക്യങ്ങൾ ഉപയോഗിച്ച് ഒന്നിലധികം തിരയലുകൾ (സാധാരണയായി 2-3) നടത്താനാകും. തിരയലുകൾ ഒന്നിനു പിന്നാലെ ഒന്നായി നടത്തുന്നു. മുമ്പത്തെ തിരയലുകളിൽ ലഭിച്ച വിവരങ്ങളുടെ അടിസ്ഥാനത്തിൽ മോഡലിന് അതിന്റെ സമീപനം പരിഷ്കരിക്കാനാകും.
ഫലപ്രദമായ ഉപയോഗ സാഹചര്യങ്ങൾ: വിപുലമായ ഡോക്യുമെന്റേഷനിൽ വ്യത്യസ്ത ലക്ഷ്യങ്ങളോടെയുള്ള ഒന്നിലധികം തിരയലുകൾ ആവശ്യമായ സങ്കീർണ്ണ ചോദ്യങ്ങൾക്ക് കൂടുതൽ അനുയോജ്യം.
ഉദാഹരണ ചോദ്യങ്ങൾ:
"നേരത്തെയുള്ള വിരമിക്കൽ, രക്ഷാകർതൃ അവധി, വിദേശത്തേക്കുള്ള സ്ഥലംമാറ്റം എന്നിവ സംബന്ധിച്ച മാനവ വിഭവശേഷി നയങ്ങൾ എന്തൊക്കെയാണ്?"
"process_order ഫങ്ഷൻ എന്താണ് ചെയ്യുന്നതെന്ന് വിശദീകരിക്കുക, ഈ ഫങ്ഷൻ വിളിക്കുന്ന എല്ലാ മെത്തഡുകളും പട്ടികപ്പെടുത്തുക, തുടർന്ന് ഓരോ മെത്തഡും ചുരുക്കി വിവരിക്കുക."
നിരവധി മികവുകളുണ്ടെങ്കിലും, ഒരു ചോദ്യത്തിന് മൂന്നിലധികം തിരയലുകൾ ആവശ്യമായി വരുമ്പോൾ o-സീരീസ് മോഡലുകൾക്ക് ബുദ്ധിമുട്ട് നേരിടാം.
ഫയൽ തിരയൽ ഫലങ്ങൾ മെച്ചപ്പെടുത്താനുള്ള നുറുങ്ങുകൾ
ഒന്നിലധികം തിരയലുകൾ ആവശ്യമായ സങ്കീർണ്ണമായ ചോദ്യങ്ങൾക്ക് o-സീരീസ് മോഡൽ ഉപയോഗിച്ച് നോക്കുക.
നിങ്ങൾ അപ്ലോഡ് ചെയ്യുന്ന പ്രമാണങ്ങളുടെ തരം, എണ്ണം, വലുപ്പം എന്നിവയെ ആശ്രയിച്ച് പ്രതികരണങ്ങൾ മാറാം എന്ന് ഓർക്കുക.
സാധാരണയായി, കുറച്ച്, കേന്ദ്രീകൃതമായ പ്രമാണങ്ങൾ ലോഡ് ചെയ്യുന്നത് കൂടുതൽ കൃത്യതയിലേക്ക് നയിക്കും.
ഒന്നിലധികം ചോദ്യങ്ങളുള്ള വിഷയങ്ങളെ ഒറ്റ ചോദ്യങ്ങളാക്കി മാറ്റുക:
ഓരോ സംസ്ഥാനത്തെയും HR നയങ്ങൾ അറിയണമെങ്കിൽ, അവ ഓരോന്നായി ചോദിക്കുക.
പല പ്രമാണങ്ങളും സംഗ്രഹിക്കണമെങ്കിൽ, ഓരോ തവണയും ഒരു പ്രമാണം വീതം ആവശ്യപ്പെടുക. ആ പ്രമാണം നൂറുകണക്കിന് പേജുകളുള്ളതാണെങ്കിൽ, അതിനെ ചെറിയ ഘടകങ്ങളായി വിഭജിക്കുന്നത് പരിഗണിക്കുക.
മുഴുവൻ പ്രമാണങ്ങൾക്കുപകരം ഒന്നിലധികം സംഗ്രഹങ്ങൾ നൽകിയാൽ, “സംഗ്രഹങ്ങളുടെ സംഗ്രഹം” എഴുതാൻ ChatGPT Enterprise-നോട് ആവശ്യപ്പെടാം.
നിങ്ങൾക്ക് ഒരു RFP-യുടെ CSV ഉണ്ടെങ്കിൽ (ഓരോ വരിയും വേറൊരു ചോദ്യമാണ്), CSV ലോഡ് ചെയ്ത് ഒറ്റ പ്രതികരണം ആവശ്യപ്പെടുന്നതിനുപകരം ആ ചോദ്യങ്ങൾ ഓരോന്നായി ചോദിക്കുക.
മോഡലിന്റെ പ്രതികരണങ്ങൾ ഓഡിറ്റ് ചെയ്യാനുള്ള മാർഗങ്ങൾ കണ്ടെത്തുക. ഉദാഹരണ GPT നിർദ്ദേശങ്ങൾ താഴെ കൊടുത്തിരിക്കുന്നു:
# Context
നിങ്ങൾ ഡോക്യുമെന്റുകൾ മനസ്സിലാക്കുന്നതിൽ വിദഗ്ധനാണ്. ഉപയോക്താവ് ഒരു ഡോക്യുമെന്റ് അറ്റാച്ച് ചെയ്ത് ഒരു ചോദ്യം ചോദിക്കും. നിങ്ങളുടെ ഉത്തരമെടുത്ത കൃത്യമായ ടെക്സ്റ്റ് ഭാഗവുമായി അത് ബന്ധിപ്പിക്കാൻ അവർക്കു കഴിയണം.
# Instructions
1. താഴെ നൽകിയിരിക്കുന്ന കൃത്യമായ ഫോർമാറ്റ് ഉപയോഗിച്ച്, അറ്റാച്ച് ചെയ്ത ഡോക്യുമെന്റിന്റെ അടിസ്ഥാനത്തിൽ ഉപയോക്താവിന്റെ ചോദ്യത്തിന് ഉത്തരം നൽകുക.
# Format
- Question: { ഉപയോക്താവിന്റെ ചോദ്യം ആവർത്തിക്കുക }
- Answer: { ഉപയോക്താവിന്റെ ചോദ്യത്തിന് ഉത്തരം നൽകുക }
Source:
- - Section Number: { നിങ്ങൾ ഉത്തരം എടുത്ത വിഭാഗ നമ്പർ നൽകുക }
- - Section Title: { നിങ്ങൾ ഉത്തരം എടുത്ത വിഭാഗ ശീർഷകം നൽകുക }
- - Exact Text: { നിങ്ങൾ ഉത്തരം എടുത്ത കൃത്യമായ ടെക്സ്റ്റ് നൽകുക }
# Rules
- വ്യക്തവും സംക്ഷിപ്തവുമായ ഉത്തരങ്ങൾ നൽകുക.
- ഡോക്യുമെന്റിൽ നൽകിയിരിക്കുന്ന വിവരങ്ങൾ മാത്രം നൽകുക.
- ഡോക്യുമെന്റിൽ ഉത്തരം കണ്ടെത്താനാകുന്നില്ലെങ്കിൽ, ലളിതമായി "വിവരമൊന്നും കണ്ടെത്തിയില്ല." എന്ന് മറുപടി നൽകുക.