പ്രോംപ്റ്റുകളിൽ ഉൾപ്പെടുത്തിയ PDF ഫയലുകളിലുള്ള ദൃശ്യങ്ങൾ (ചിത്രങ്ങൾ, ഗ്രാഫുകൾ, രേഖാചിത്രങ്ങൾ തുടങ്ങിയവ) വായിക്കാനും മനസ്സിലാക്കാനും ChatGPT Enterprise ഇപ്പോൾ പിന്തുണ നൽകുന്നു. ഉപയോക്താക്കൾക്ക് ഒരു PDF അപ്‌ലോഡ് ചെയ്യാം. ആ ഫയലിലെ ടെക്സ്റ്റ് മാത്രമല്ല, ദൃശ്യ ഘടകങ്ങളും ChatGPT-ന് വ്യാഖ്യാനിക്കാൻ കഴിയും.
വിശദാംശങ്ങൾക്ക് കാണുക: PDF ഫയലുകളിൽനിന്നുള്ള ദൃശ്യ വിവര വീണ്ടെടുക്കൽ: പതിവ് ചോദ്യങ്ങൾ.
ChatGPT Enterprise-ൽ പല രീതികളിൽ ഫയലുകൾ അപ്‌ലോഡ് ചെയ്യാം:
നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽനിന്ന് നേരിട്ട്
ഗൂഗിൾ ഡ്രൈവ് / ഷെയർപോയിന്റ് / വൺഡ്രൈവ് എന്നിവയിൽനിന്ന്
ഫയലുകളുടെ തരം, എണ്ണം, വലുപ്പം എന്നിവ അനുസരിച്ച് ChatGPT Enterprise-ന്റെ സവിശേഷതകൾ അവ കൈകാര്യം ചെയ്യുന്നതെങ്ങനെയെന്ന് ഈ മാർഗദർശി വിശദീകരിക്കുന്നു. ഫയലുമായി ബന്ധപ്പെട്ട ആവശ്യങ്ങൾക്കനുസരിച്ച് ഫലങ്ങൾ മെച്ചപ്പെടുത്താനുള്ള രീതികളും ഇതിൽ ചർച്ച ചെയ്യുന്നു.
സംഗ്രഹം
വ്യത്യസ്ത തരം ഫയലുകളെ ChatGPT Enterprise കൈകാര്യം ചെയ്യുന്നത് വളരെ വ്യത്യസ്തമായ രീതികളിലാണ്: PDF ഫയലുകൾ, അവതരണങ്ങൾ, വേഡ് ഫയലുകൾ തുടങ്ങിയ ടെക്സ്റ്റ് പ്രമാണങ്ങളിൽനിന്ന് ടെക്സ്റ്റ് വേർതിരിച്ചെടുക്കുന്നു; സ്പ്രെഡ്ഷീറ്റുകളിലെ ഘടനാബദ്ധമായ ഡാറ്റ പൈത്തൺ കോഡ് ഉപയോഗിച്ച് വിശകലനം ചെയ്യുന്നു; ചിത്ര ഫയലുകൾ GPT-Vision വഴി വിവരിക്കുന്നു. പ്രതീക്ഷിക്കുന്ന ഫലം ലഭിക്കാൻ, ഓരോ ഫയൽ തരവും ഏത് പ്രവർത്തനരീതിയാണ് സജീവമാക്കുന്നതെന്ന് മനസ്സിലാക്കേണ്ടത് പ്രധാനമാണ്.
ടെക്സ്റ്റ് അധിഷ്ഠിത പ്രമാണങ്ങളിൽനിന്ന് പ്രസക്തമായ ടെക്സ്റ്റ് പരമാവധി പ്രോംപ്റ്റിനൊപ്പം നേരിട്ട് ഉൾപ്പെടുത്തുകയും കൂടുതൽ വിവരങ്ങൾ ലഭ്യമാക്കാൻ ഒരു തിരയൽ സംവിധാനം ഉപയോഗിക്കുകയും ചെയ്യുന്നു ChatGPT Enterprise. നിർദിഷ്ട ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഈ രീതി ഫലപ്രദമാണ്. എന്നാൽ വളരെ വലിയ പ്രമാണങ്ങൾ സംഗ്രഹിക്കുക, ഒന്നിലധികം വലിയ ഫയലുകൾ താരതമ്യം ചെയ്യുക തുടങ്ങിയ സങ്കീർണ ജോലികളിൽ ഈ രീതിക്ക് ബുദ്ധിമുട്ടുകൾ നേരിടാം. കൂടുതൽ മികച്ച ഫലങ്ങൾ നേടാനുള്ള രീതികൾ അറിയാൻ തുടർന്ന് വായിക്കുക.
തരം അനുസരിച്ച് ഫയലുകൾ കൈകാര്യം ചെയ്യൽ
ChatGPT Enterprise പ്രധാനമായും മൂന്ന് രീതികളിലാണ് ഫയലുകൾ പ്രോസസ്സ് ചെയ്യുന്നത്: ടെക്സ്റ്റ് വേർതിരിച്ചെടുക്കൽ, കോഡ് ഉപയോഗിച്ചുള്ള വിശകലനം, ചിത്ര വ്യാഖ്യാനം. ChatGPT Enterprise ഏത് പ്രവർത്തനരീതി പിന്തുടരണമെന്ന് തീരുമാനിക്കുന്നത് ഫയലിന്റെ തരമാണ്.
| ടെക്സ്റ്റ് അധിഷ്ഠിത വിവര വീണ്ടെടുക്കൽ | കോഡ് ഇന്റർപ്രെറ്റർ | ചിത്ര പ്രോസസ്സിങ് | ദൃശ്യ വിവര വീണ്ടെടുക്കൽ | |
|---|---|---|---|---|
| ഫയൽ തരങ്ങളുടെ ഉദാഹരണങ്ങൾ | pptx, docx, txt, md, json, xml, pdf* * GPT വിജ്ഞാനമായോ പ്രോജക്റ്റ് ഫയലുകളായോ അപ്‌ലോഡ് ചെയ്ത PDF ഫയലുകൾ | csv, xls, xlsx* *കുറിപ്പ്: കോഡ് ഇന്റർപ്രെറ്ററിന് ഏത് തരം ഫയലിലും പ്രവർത്തിക്കാനാകും. എന്നാൽ സ്പ്രെഡ്ഷീറ്റുകൾക്കാണ് ChatGPT Enterprise സാധാരണയായി കോഡ് ഇന്റർപ്രെറ്റർ സ്വതവേ തിരഞ്ഞെടുക്കുന്നത്. | jpg, png | pdf* * ഉപയോക്താക്കളുടെ പ്രോംപ്റ്റുകളിൽ ഉൾപ്പെടുത്തിയ PDF ഫയലുകൾ |
| പ്രവർത്തനരീതി | ഫയലിൽനിന്ന് ടെക്സ്റ്റ് വേർതിരിച്ചെടുക്കുന്നു — അതിൽ കുറച്ച് ടെക്സ്റ്റ് സന്ദർഭ പരിധിയിലേക്ക് നേരിട്ട് ഒട്ടിക്കുന്നു (“നിറയ്ക്കുന്നു”); കുറച്ച് ടെക്സ്റ്റ് തിരയലിനായി സംഭരിക്കുന്നു. | പ്രോസസ്സ് ചെയ്യുന്നതിനായി കോഡ് ഇന്റർപ്രെറ്റർ ഫയൽ പൈത്തണിലേക്ക് കൈമാറുന്നു. | അറിയപ്പെടുന്ന പരിമിതികൾക്ക് വിധേയമായി മൾട്ടി-മോഡൽ മോഡലുകൾ ചിത്രങ്ങളെ നേരിട്ട് വ്യാഖ്യാനിക്കുന്നു. | ടെക്സ്റ്റ് വീണ്ടെടുക്കലും ചിത്ര പ്രോസസ്സിങ്ങും സംയോജിപ്പിച്ച രീതി. ടെക്സ്റ്റ് ഡിജിറ്റലായി വേർതിരിച്ചെടുക്കുന്നു. ദൃശ്യ ഉള്ളടക്കം മൾട്ടി-മോഡൽ മോഡലുകൾ നേരിട്ട് വ്യാഖ്യാനിക്കുന്നു. |
ടെക്സ്റ്റ് മാത്രമുള്ള ഫയലുകൾ, ചിത്ര ഫയലുകൾ, വ്യക്തമായ ഘടനയുള്ള ഡാറ്റ ഫയലുകൾ (ഉദാ. ഇടപാടുകളുടെ എക്സൽ പട്ടിക) എന്നിവയ്ക്ക് ഈ വേർതിരിവ് സാധ്യമായ ഏറ്റവും മികച്ച പ്രവർത്തനം ഉറപ്പാക്കുന്നു.
എന്നാൽ ചില സാഹചര്യങ്ങളിൽ കാര്യങ്ങൾ അത്ര വ്യക്തമല്ല. ഉദാഹരണത്തിന്:
PDF അല്ലാത്ത ഫയലുകളിൽ ഉൾപ്പെടുത്തിയ ചിത്രങ്ങൾ പ്രോസസ്സ് ചെയ്യില്ല. അവയും ഉൾപ്പെടുത്താൻ, അപ്‌ലോഡ് ചെയ്യുന്നതിന് മുമ്പ് ഫയൽ PDF ആക്കി മാറ്റുക.
പ്രമാണത്തിൽ ധാരാളം ടെക്സ്റ്റ് ഉണ്ടെങ്കിലും, സ്പ്രെഡ്ഷീറ്റുകൾ കൈകാര്യം ചെയ്യാൻ ChatGPT Enterprise എപ്പോഴും കോഡ് ഇന്റർപ്രെറ്റർ ഉപയോഗിക്കും. ഉദാഹരണത്തിന്, 10 വരി ടെക്സ്റ്റുള്ള ഒരു CSV ഫയൽ വിവർത്തനം ചെയ്യാൻ ChatGPT Enterprise-നോട് ആവശ്യപ്പെട്ടാൽ, അത് ഒരു പൈത്തൺ ലൈബ്രറി ഉപയോഗിച്ച് ഫയൽ വിവർത്തനം ചെയ്യാൻ ശ്രമിക്കും. മോഡൽ നേരിട്ട് വിവർത്തനം സൃഷ്ടിക്കുന്നതിനെക്കാൾ കൃത്യത കുറവായിരിക്കും ഈ രീതിക്ക്. ഇത് ലഘൂകരിക്കാൻ, സ്പ്രെഡ്ഷീറ്റ് ടെക്സ്റ്റ് അധിഷ്ഠിതമായ ഒരു ഫോർമാറ്റിലേക്ക് (ഉദാഹരണത്തിന് PDF) എക്സ്പോർട്ട് ചെയ്ത് നോക്കുക.
അതുപോലെ, JSON ഫയലിലുള്ള ഘടനാബദ്ധമായ ഒരു ഇടപാട് പട്ടിക അപ്‌ലോഡ് ചെയ്താൽ, ChatGPT Enterprise ആ ഫയലിനെ സാധാരണ ടെക്സ്റ്റായി കണക്കാക്കും. ഒരു JSON ഫയലിലെ ഡാറ്റ വിശകലനം ചെയ്യണമെങ്കിൽ, കോഡ് ഇന്റർപ്രെറ്റർ ഉപയോഗിക്കാൻ നിങ്ങളുടെ പ്രോംപ്റ്റിൽ മോഡലിനോട് നിർദേശിക്കുക.
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.
അപ്‌ലോഡ് ചെയ്ത പ്രമാണങ്ങളിൽനിന്ന് 110,000 ടോക്കണുകൾ വരെ സന്ദർഭ പരിധിയിൽ പ്രോസസ്സ് ചെയ്യാൻ ChatGPT Enterprise-ന് കഴിയും. നിങ്ങൾ അപ്‌ലോഡ് ചെയ്യുന്ന ഒന്നോ അതിലധികമോ പ്രമാണങ്ങളിലെ ആകെ ടോക്കണുകളുടെ എണ്ണം 110,000-ൽ കുറവാണെങ്കിൽ, മുഴുവൻ ഉള്ളടക്കവും ഉൾപ്പെടുത്തും.
ഒരൊറ്റ പ്രമാണത്തിൽ 110,000-ത്തിലധികം ടോക്കണുകളുണ്ടെങ്കിൽ, അതിന്റെ തുടക്കം മുതലുള്ള ആദ്യത്തെ 110,000 ടോക്കണുകൾ മാത്രമേ ഉൾപ്പെടുത്തൂ. ബാക്കിയുള്ളവ സ്വകാര്യ തിരയൽ സൂചികയിലേക്ക് മാത്രമേ അയയ്ക്കൂ.
ഒന്നിലധികം പ്രമാണങ്ങൾ അപ്‌ലോഡ് ചെയ്യുകയും അവയിലെ ആകെ ടോക്കണുകളുടെ എണ്ണം 110,000 കവിയുകയും ചെയ്താൽ, ഓരോ പ്രമാണത്തിനും സന്തുലിതമായ പ്രാതിനിധ്യം നൽകാൻ ChatGPT Enterprise ഇനിപ്പറയുന്ന രീതി ഉപയോഗിക്കുന്നു:
അപ്‌ലോഡ് ചെയ്ത പ്രമാണങ്ങളിൽനിന്ന് തുല്യമായി വീതിച്ചെടുത്ത് ആകെ 55,000 ടോക്കണുകൾ വരെ ശേഖരിക്കുന്നു.
ആദ്യ ഘട്ടത്തിൽ പൂർണമായി ഉൾപ്പെടുത്താത്ത പ്രമാണങ്ങൾക്ക് ശേഷിക്കുന്ന 55,000 ടോക്കണുകൾ അനുവദിക്കുന്നു. ഓരോ പ്രമാണത്തിലും ബാക്കിയുള്ള ടോക്കണുകളുടെ എണ്ണത്തിന് ആനുപാതികമായാണ് ഇത് വീതിക്കുന്നത്.
ഇനിയും ബാക്കിയുള്ള ടോക്കണുകൾ സ്വകാര്യ തിരയൽ സൂചികയിലേക്ക് മാത്രമേ അയയ്ക്കൂ.
ഒരു ടെക്സ്റ്റ് പ്രമാണത്തിലെ ടോക്കണുകളുടെ എണ്ണം കണക്കാക്കാൻ, അതിലെ ടെക്സ്റ്റ് പകർത്തി OpenAI ടോക്കണൈസറിൽ ചേർക്കാം.
മൾട്ടിമീഡിയ PDF ഫയലുകളിലെ ഉള്ളടക്കം സന്ദർഭത്തിൽ ഉൾപ്പെടുത്തൽ
ടെക്സ്റ്റും ചിത്രങ്ങളും അടങ്ങിയ PDF ഫയലുകൾ ഉപയോക്താക്കൾ അപ്‌ലോഡ് ചെയ്യുമ്പോൾ, ഡിജിറ്റലായി വേർതിരിച്ചെടുത്ത ടെക്സ്റ്റിനൊപ്പം ചിത്രങ്ങളും നേരിട്ട് പ്രോസസ്സ് ചെയ്യാൻ ദൃശ്യ വിവര വീണ്ടെടുക്കൽ ChatGPT-യെ സഹായിക്കുന്നു. മൾട്ടിമീഡിയ PDF ഫയലുകൾക്കായി, ഞങ്ങളുടെ പതിവ് സന്ദർഭ കൈകാര്യം ചെയ്യൽ നടപടികൾക്കൊപ്പം ഇനിപ്പറയുന്ന ഘട്ടങ്ങളും ഉപയോഗിക്കുന്നു:
ചിത്രങ്ങൾ വേർതിരിച്ചെടുത്ത് എംബെഡ് ചെയ്യൽ: ചിത്രങ്ങൾ വേർതിരിച്ചെടുത്ത് അവയുമായി ബന്ധപ്പെട്ട ഡിജിറ്റൽ ടെക്സ്റ്റിനൊപ്പം എംബെഡ് ചെയ്യുന്നു.
ബുദ്ധിപൂർവമായ വലുപ്പ ക്രമീകരണം: വിവരങ്ങളുടെ ഗുണനിലവാരം നിലനിർത്താനും ലഭ്യമായ സന്ദർഭ പരിധി കാര്യക്ഷമമായി ഉപയോഗിക്കാനും കഴിയുന്ന വിധത്തിൽ ചിത്രങ്ങളുടെ വലുപ്പം സ്വയമേവ ക്രമീകരിക്കുന്നു.
അപ്‌ലോഡ് ചെയ്ത PDF ഫയലുകൾ 110,000 ടോക്കൺ പരിധി കവിയുമ്പോൾ, ചിത്രങ്ങളും ടെക്സ്റ്റും സ്വകാര്യ തിരയൽ സൂചികയിൽ എംബെഡ് ചെയ്യുന്നു. ടെക്സ്റ്റ് എംബെഡിങ്ങുകളിൽ ബന്ധപ്പെട്ട ചിത്രങ്ങളിലേക്കുള്ള സൂചനകളുണ്ട്. അതിനാൽ ഉപയോക്താക്കളുടെ ചോദ്യങ്ങൾക്കനുസരിച്ച് ഉചിതമായ ടെക്സ്റ്റ്-ചിത്ര ജോടികൾ വീണ്ടെടുക്കാൻ ChatGPT-ന് കഴിയും. തുടർന്ന്, വീണ്ടെടുത്ത ചിത്രങ്ങൾ ChatGPT-യുടെ തനതായ മൾട്ടി-മോഡൽ കഴിവുകൾ ഉപയോഗിച്ച് പ്രോസസ്സ് ചെയ്യുന്നു.
മൾട്ടിമീഡിയ PDF ഫയലുകൾക്ക് ആവശ്യമായ ടോക്കണുകളുടെ എണ്ണം കൃത്യമായി കണക്കാക്കുക പ്രയാസമാണ്. ടെക്സ്റ്റും ചിത്രങ്ങളും ഇടകലർന്ന ഏകദേശം 350 പേജുകൾ 110,000 ടോക്കണുകളുള്ള സന്ദർഭ പരിധി പൂർണമായി ഉപയോഗിക്കുമെന്ന് പരിശോധനകൾ 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.