ChatGPT Enterprise आता प्रॉम्प्टमध्ये समाविष्ट केलेल्या PDF फाइलमध्ये एम्बेड केलेली दृश्ये (प्रतिमा, ग्राफ, आकृत्या इ.) वाचणे आणि समजणे समर्थित करते. वापरकर्ते PDF अपलोड करू शकतात आणि ChatGPT त्या फाइलमधील मजकूर आणि कोणतेही दृश्य घटक समजू शकते.
तपशीलांसाठी PDF सह व्हिज्युअल रिट्रीव्हल FAQ पहा.
ChatGPT Enterprise तुम्हाला अनेक प्रकारे फाइल अपलोड करू देते:
थेट तुमच्या संगणकावरून
GPT नॉलेज म्हणून
प्रोजेक्ट फाइल म्हणून
GPT कृती मधून
ही मार्गदर्शिका ChatGPT Enterprise वैशिष्ट्ये फाइलचा प्रकार, संख्या आणि आकार यावर आधारित फाइल कशा हाताळतात हे स्पष्ट करते आणि फाइल आवश्यकतांनुसार आउटपुट सुधारण्यासाठी धोरणांची चर्चा करते.
सारांश
ChatGPT Enterprise वेगवेगळ्या फाइल प्रकारांना खूप वेगळ्या प्रकारे हाताळते: PDF, प्रेझेंटेशन आणि Word फाइल यांसारख्या मजकूर दस्तऐवजांतून मजकूर काढणे, Python कोड वापरून स्प्रेडशीटमधील संरचित डेटाचे विश्लेषण करणे आणि GPT-Vision द्वारे प्रतिमा फाइलचे वर्णन करणे. कोणता फाइल प्रकार कोणता वर्कफ्लो सुरू करतो हे समजणे अपेक्षित परिणाम मिळवण्यासाठी महत्त्वाचे आहे.
मजकूर-आधारित दस्तऐवजांसाठी, ChatGPT Enterprise शक्य तितका संबंधित मजकूर थेट प्रॉम्प्टसोबत समाविष्ट करते आणि अतिरिक्त माहिती मिळवण्यासाठी शोध प्रणाली वापरते. विशिष्ट प्रश्नांची उत्तरे देण्यासाठी हे चांगले काम करते. तथापि, अतिशय मोठ्या दस्तऐवजांचा सारांश तयार करणे किंवा अनेक मोठ्या फाइलची तुलना करणे यांसारख्या गुंतागुंतीच्या कामांमध्ये या दृष्टिकोनाला अडचण येऊ शकते. तुमचे परिणाम सुधारण्यासाठीच्या धोरणांबद्दल समजून घेण्यासाठी पुढे वाचा.
प्रकारावर आधारित फाइल हाताळणी
ChatGPT Enterprise फाइलवर तीन मुख्य प्रकारे प्रक्रिया करते: मजकूर काढणे, कोड विश्लेषण आणि प्रतिमा अर्थ लावणे. फाइल प्रकार ChatGPT Enterprise कोणता वर्कफ्लो अनुसरेल हे ठरवतो.
| मजकूर-आधारित रिट्रीव्हल | कोड इंटरप्रिटर | प्रतिमा प्रक्रिया | व्हिज्युअल रिट्रीव्हल | |
|---|---|---|---|---|
| फाइल प्रकार उदाहरणे | pptx, docx, txt, md, json, xml, pdf* * GPT नॉलेज किंवा प्रोजेक्ट फाइल म्हणून अपलोड केलेले PDF | csv, xls, xlsx* *टीप: कोड इंटरप्रिटर कोणत्याही फाइल प्रकारावर काम करू शकतो, पण ChatGPT Enterprise सर्वसाधारणपणे स्प्रेडशीटसाठी CI वर डीफॉल्ट करते | jpg, png | pdf* * वापरकर्ता प्रॉम्प्टमध्ये समाविष्ट PDF |
| वर्तन | फाइलमधून मजकूर काढते – काही मजकूर थेट कॉन्टेक्स्ट विंडोमध्ये पेस्ट (“स्टफ”) केला जातो; काही मजकूर शोधासाठी साठवला जातो | कोड इंटरप्रिटर प्रक्रियेसाठी फाइल Python कडे पाठवतो | प्रतिमांचा अर्थ मल्टी-मोडल मॉडेलद्वारे नेटिव्हरीत्या लावला जातो, ज्ञात मर्यादां च्या अधीन. | मजकूर रिट्रीव्हल आणि प्रतिमा प्रक्रियेचा संकर. मजकूर डिजिटलरीत्या काढला जातो आणि दृश्य सामग्रीचा अर्थ मल्टी-मोडल मॉडेलद्वारे नेटिव्हरीत्या लावला जातो. |
फक्त मजकूर असलेल्या फाइल, प्रतिमा फाइल किंवा स्पष्टपणे संरचित डेटा फाइलसाठी (उदा., व्यवहारांची Excel सारणी), हे विभाग सर्वोत्तम शक्य वर्तन दर्शवतात.
काही अस्पष्ट क्षेत्रे आहेत जी कमी स्पष्ट आहेत, उदाहरणार्थ:
PDF व्यतिरिक्त इतर फाइलमध्ये एम्बेड केलेल्या प्रतिमांवर प्रक्रिया केली जात नाही. त्या समाविष्ट करण्यासाठी, अपलोड करण्यापूर्वी फाइल PDF मध्ये रूपांतरित करा.
दस्तऐवजात मोठ्या प्रमाणात मजकूर असला तरी, ChatGPT Enterprise स्प्रेडशीटशी संवाद साधण्यासाठी नेहमी कोड इंटरप्रिटर वापरेल. उदाहरणार्थ, तुम्ही ChatGPT Enterprise ला मजकुराच्या 10 ओळी असलेली CSV फाइल भाषांतरित करण्यास सांगितल्यास, ते Python लायब्ररी वापरून फाइल भाषांतरित करण्याचा प्रयत्न करेल, जे मॉडेलला थेट भाषांतर तयार करू देण्यापेक्षा कमी अचूक असते. हे कमी करण्यासाठी, स्प्रेडशीट मजकूर-आधारित स्वरूपात (उदा., PDF) निर्यात करून पाहा.
त्याचप्रमाणे, तुम्ही JSON फाइलमध्ये वर्णन केलेली संरचित व्यवहार सारणी अपलोड केल्यास, ChatGPT Enterprise या फाइलचा साधा मजकूर म्हणून अर्थ लावेल. JSON फाइलमध्ये असलेल्या डेटाचे विश्लेषण करायचे असल्यास, तुमच्या प्रॉम्प्टमध्ये मॉडेलला कोड इंटरप्रिटर वापरण्यास सांगा.
आकारावर आधारित फाइल हाताळणी
ChatGPT Enterprise कमाल 128k टोकनच्या कॉन्टेक्स्ट विंडोची मॉडेल वापरते (साधारणपणे 200 पानांचा मजकूर). तथापि, अपलोड केलेल्या फाइलमधील मजकूर समाविष्ट करण्यासाठी सर्व टोकन वापरले जात नाहीत. “स्टफ्ड” टोकनची संख्या वापराच्या प्रकारानुसार बदलते.
ChatGPT Enterprise काही प्रमाणात मजकूर “स्टफ” करते आणि उरलेला मजकूर खासगी शोध इंडेक्सकडे पाठवला जातो (“व्हेक्टर स्टोअर”, जो मोठ्या प्रमाणातील मजकूर कार्यक्षमतेने साठवण्यासाठी आणि परत मिळवण्यासाठी बनवलेला डेटाबेसचा एक प्रकार आहे). तुम्ही प्रश्न विचारता तेव्हा, ChatGPT Enterprise समाविष्ट केलेल्या मजकुरासोबत खासगी शोध इंडेक्समधून मिळवलेले संबंधित भाग आणते.
तुम्ही एकच दस्तऐवज अपलोड केल्यास, ChatGPT Enterprise सुरुवातीपासून मजकूर समाविष्ट करते आणि त्याची मर्यादा येईपर्यंत तो घेत राहते. तुम्ही अनेक दस्तऐवज अपलोड केल्यास, ChatGPT Enterprise प्रत्येक दस्तऐवजाचा काही किंवा सर्व भाग समाविष्ट करते. दस्तऐवजांमधील सर्व मजकूर खासगी शोध इंडेक्सकडेही पाठवला जातो.
मजकूर दस्तऐवजांसाठी कॉन्टेक्स्ट स्टफिंग
हे वैशिष्ट्य सध्या सक्रिय विकासाधीन आहे. त्यामुळे, खालील तपशील पूर्वसूचना न देता बदलू शकतात.
ChatGPT Enterprise अपलोड केलेल्या दस्तऐवजांमधून कॉन्टेक्स्ट विंडोमध्ये 110k टोकनपर्यंत प्रक्रिया करू शकते. तुम्ही एक किंवा अधिक दस्तऐवज अपलोड केले आणि त्यांची एकूण बेरीज 110k टोकनपेक्षा कमी असेल, तर पूर्ण सामग्री समाविष्ट केली जाईल.
110k टोकनपेक्षा जास्त असलेल्या एकाच दस्तऐवजासाठी, सुरुवातीपासून फक्त पहिले 110k टोकन समाविष्ट केले जातील. उर्वरित भाग फक्त खासगी शोध इंडेक्सकडे पाठवला जाईल.
अनेक दस्तऐवज अपलोड केले आणि त्यांची एकूण बेरीज 110k टोकनपेक्षा जास्त असेल, तर ChatGPT Enterprise दस्तऐवजांचे प्रतिनिधित्व संतुलित करण्यासाठी दोन-टप्प्यांची प्रक्रिया वापरते:
अपलोड केलेल्या दस्तऐवजांमध्ये समान रीतीने विभागून 55k टोकनपर्यंत काढा.
पहिल्या टप्प्यात पूर्णपणे प्रतिनिधित्व न झालेल्या दस्तऐवजांसाठी, प्रत्येक दस्तऐवजात उरलेल्या टोकनच्या आधारे उरलेले 55k टोकन प्रमाणानुसार वाटप करा.
उरलेली कोणतीही टोकन फक्त खासगी शोध इंडेक्सकडे पाठवली जातात.
मजकूर दस्तऐवजात किती टोकन आहेत याचा अंदाज घेण्यासाठी दस्तऐवजाचा मजकूर OpenAI टोकनायझरमध्ये कॉपी करू शकता.
मल्टिमीडिया PDF साठी कॉन्टेक्स्ट स्टफिंग
वापरकर्ते मजकूर आणि प्रतिमा दोन्ही असलेले PDF अपलोड करतात तेव्हा, व्हिज्युअल रिट्रीव्हल ChatGPT ला डिजिटलरीत्या काढलेल्या मजकुरासोबत या प्रतिमांवर नेटिव्ह पद्धतीने प्रक्रिया करण्यास सक्षम करते. खालील टप्पे मल्टिमीडिया PDF साठी आमच्या मानक कॉन्टेक्स्ट-हाताळणी प्रक्रियांना पूरक आहेत:
प्रतिमा काढणे आणि एम्बेडिंग: प्रतिमा काढल्या जातात आणि त्यांच्याशी संबंधित डिजिटल मजकुरासह एम्बेड केल्या जातात.
बुद्धिमान स्केलिंग: माहितीची गुणवत्ता आणि उपलब्ध कॉन्टेक्स्ट विंडोचा कार्यक्षम वापर यांच्यात संतुलन राखण्यासाठी प्रतिमांचे आपोआप स्केलिंग केले जाते.
अपलोड केलेले PDF 110k टोकन मर्यादेपेक्षा जास्त असल्यास, प्रतिमा आणि मजकूर दोन्ही खासगी शोध इंडेक्समध्ये एम्बेड केले जातात. मजकूर एम्बेडिंग संबंधित प्रतिमांचा संदर्भ देतात, ज्यामुळे ChatGPT वापरकर्ता क्वेरींवर आधारित योग्य मजकूर-प्रतिमा जोड्या मिळवू शकते. मिळवलेल्या प्रतिमांवर नंतर ChatGPT च्या नेटिव्ह मल्टिमोडल क्षमतांचा वापर करून प्रक्रिया केली जाते.
मल्टिमीडिया PDF साठी टोकन आवश्यकतांचा अचूक अंदाज घेणे अवघड आहे. चाचणीनुसार, मिश्र मजकूर आणि प्रतिमांची साधारण 350 पाने 110k टोकन कॉन्टेक्स्ट विंडो पूर्णपणे वापरतील.
मॉडेल प्रकारावर आधारित शोध धोरणे
GPT-श्रेणी आणि o-श्रेणीची दोन्ही मॉडेल फाइल अपलोडला समर्थन देतात आणि समान कॉन्टेक्स्ट स्टफिंग व शोध एम्बेडिंग लॉजिक वापरतात. सर्व मॉडेल खासगी शोध इंडेक्सवर हायब्रिड शोध चालवतात, ज्यात कीवर्ड आणि सिमॅंटिक पद्धती एकत्र केल्या जातात. हायब्रिड शोधात, मॉडेल वापरकर्त्याच्या प्रॉम्प्टवर आधारित शोध वाक्यांश तयार करते आणि खासगी शोध इंडेक्स त्यानुसार संबंधित मजकूर व प्रतिमा मिळवतो.
तथापि, कॉन्टेक्स्ट विंडोपेक्षा मोठ्या दस्तऐवजांमध्ये शोध घेताना ही मॉडेल वेगवेगळी वागतात:
GPT-श्रेणीची मॉडेल
प्रति प्रॉम्प्ट एकच शोध: GPT-श्रेणीची मॉडेल प्रत्येक वापरकर्ता प्रॉम्प्टसाठी एक शोध करतात.
प्रभावी वापर प्रकरणे: विस्तृत दस्तऐवजीकरणात असलेल्या सरळ प्रश्नांची उत्तरे देण्यासाठी आदर्श.
उदाहरण क्वेरी:
“लवकर निवृत्तीसाठी HR धोरण काय आहे?”
“
process_orderफंक्शन काय करते?”
o-श्रेणीचे मॉडेल
प्रति प्रॉम्प्ट अनेक शोध: प्रत्येक वापरकर्ता प्रॉम्प्टसाठी अनेक शोध (साधारणपणे 2-3) चालवू शकते, प्रत्येकासाठी अद्वितीय शोध वाक्यांश असतो. शोध क्रमाने चालवले जातात आणि आधीच्या शोधांमधून मिळालेल्या माहितीच्या आधारे मॉडेल आपला दृष्टिकोन अपडेट करू शकते.
प्रभावी वापर प्रकरणे: विस्तृत दस्तऐवजीकरणात अनेक लक्षित शोधांची गरज असलेल्या गुंतागुंतीच्या प्रश्नांसाठी अधिक योग्य.
उदाहरण क्वेरी:
“लवकर निवृत्ती, पालकत्व रजा आणि परदेशी बदलीसाठी HR धोरणे कोणती आहेत?”
“
process_orderफंक्शन काय करते ते स्पष्ट करा, या फंक्शनद्वारे बोलावल्या जाणाऱ्या सर्व पद्धतींची यादी करा आणि प्रत्येक बोलावलेल्या पद्धतीचे थोडक्यात वर्णन करा.”
त्यांच्या सामर्थ्यांनंतरही, एखाद्या क्वेरीसाठी तीनपेक्षा जास्त शोधांची गरज असल्यास o-श्रेणीच्या मॉडेलना अडचण येऊ शकते.
फाइल शोध परिणाम सुधारण्यासाठी टिपा
अनेक शोधांची गरज असलेल्या गुंतागुंतीच्या प्रश्नांसाठी o-श्रेणीचे मॉडेल वापरून पाहा.
लक्षात ठेवा की तुम्ही अपलोड केलेल्या दस्तऐवजांचा प्रकार, संख्या आणि आकार यावर प्रतिसाद बदलू शकतात.
साधारणपणे, कमी आणि केंद्रित दस्तऐवज लोड केल्यास अचूकता अधिक मिळेल.
अनेक प्रश्न असलेले विषय एकेका प्रश्नात बदला:
प्रत्येक राज्याची HR धोरणे जाणून घ्यायची असल्यास, ती एक-एक करून विचारा.
अनेक दस्तऐवजांचा सारांश हवा असल्यास, एका वेळी एकाच दस्तऐवजाबद्दल विचारा. तो दस्तऐवज अनेक शेकडो पानांचा असल्यास, तो लहान घटकांमध्ये विभागण्याचा विचार करा.
संपूर्ण दस्तऐवजांऐवजी तुम्ही ChatGPT Enterprise ला अनेक सारांश दिल्यास, त्याला “सारांशांचा सारांश” लिहायला सांगू शकता.
तुमच्याकडे RFP ची CSV असल्यास (प्रत्येक ओळ एक वेगळा प्रश्न आहे), फक्त CSV लोड करून एकच प्रतिसाद मागण्याऐवजी ते प्रश्न एक-एक करून विचारा.
मॉडेलच्या प्रतिसादांचे ऑडिट करण्याचे मार्ग शोधा. उदाहरण GPT सूचना खाली दिल्या आहेत:
# Context
तुम्ही दस्तऐवज समजून घेण्यात तज्ञ आहात. वापरकर्ता एक दस्तऐवज जोडणार आहे आणि प्रश्न विचारणार आहे. तुमचे उत्तर तुम्ही ज्या मजकूराच्या अचूक भागातून घेतले आहे त्याशी ते जोडता आले पाहिजे.
# Instructions
1. खाली दिलेल्या अचूक फॉर्मॅटनुसार वापरकर्त्याच्या जोडलेल्या दस्तऐवजावर आधारित त्याच्या प्रश्नाचे उत्तर द्या.
# Format
- Question: { वापरकर्त्याचा प्रश्न पुन्हा लिहा }
- Answer: { वापरकर्त्याच्या प्रश्नाचे उत्तर द्या }
Source:
- - Section Number: { तुम्ही उत्तर ज्या विभाग क्रमांकातून घेतले तो द्या }
- - Section Title: { तुम्ही उत्तर ज्या विभाग शीर्षकातून घेतले ते द्या }
- - Exact Text: { तुम्ही उत्तर ज्या अचूक मजकूरातून घेतले तो द्या }
# Rules
- उत्तरे स्पष्ट आणि संक्षिप्त द्या.
- दस्तऐवजात दिलेलीच माहिती द्या.
- दस्तऐवजात उत्तर सापडले नाही, तर फक्त "माहिती आढळली नाही." असे उत्तर द्या.