ChatGPT Enterprise आता प्रॉम्प्टमध्ये समाविष्ट केलेल्या PDF फाइलमधील दृश्य घटक (प्रतिमा, आलेख, आकृत्या इ.) वाचू आणि समजून घेऊ शकते. वापरकर्ते PDF अपलोड करू शकतात आणि ChatGPT त्या फाइलमधील मजकूर तसेच सर्व दृश्य घटकांचा अर्थ समजून घेऊ शकते.
तपशिलांसाठी पाहा: PDF मधील दृश्य माहिती पुनर्प्राप्तीबद्दल वारंवार विचारले जाणारे प्रश्न.
ChatGPT Enterprise मध्ये तुम्ही अनेक प्रकारे फाइल अपलोड करू शकता:
थेट तुमच्या संगणकावरून
GPT ज्ञानसामग्री म्हणून
प्रकल्प फाइल म्हणून
GPT कृतीमधून
या मार्गदर्शकात ChatGPT Enterprise ची वैशिष्ट्ये फाइलचा प्रकार, संख्या आणि आकारानुसार फाइल कशा हाताळतात, हे स्पष्ट केले आहे. तसेच फाइलसंबंधी गरजांनुसार अधिक चांगले परिणाम मिळवण्याच्या पद्धतींची चर्चा केली आहे.
सारांश
ChatGPT Enterprise वेगवेगळ्या प्रकारच्या फाइल अगदी वेगवेगळ्या पद्धतींनी हाताळते: PDF, सादरीकरणे आणि वर्ड फाइल यांसारख्या मजकूर दस्तऐवजांतून मजकूर काढते, पायथन कोड वापरून स्प्रेडशीटमधील संरचित डेटाचे विश्लेषण करते आणि GPT-Vision द्वारे प्रतिमा फाइलचे वर्णन करते. कोणत्या प्रकारच्या फाइलसाठी कोणती कार्यपद्धती वापरली जाते, हे समजून घेणे अपेक्षित परिणाम मिळवण्यासाठी महत्त्वाचे आहे.
मजकूराधारित दस्तऐवजांसाठी, ChatGPT Enterprise शक्य तितका संबंधित मजकूर थेट प्रॉम्प्टसोबत समाविष्ट करते आणि अतिरिक्त माहिती मिळवण्यासाठी शोध प्रणाली वापरते. विशिष्ट प्रश्नांची उत्तरे देण्यासाठी ही पद्धत चांगली काम करते. मात्र, खूप मोठ्या दस्तऐवजांचा सारांश तयार करणे किंवा अनेक मोठ्या फाइलची तुलना करणे यांसारख्या गुंतागुंतीच्या कामांमध्ये या पद्धतीला अडचणी येऊ शकतात. अधिक चांगले परिणाम मिळवण्याच्या पद्धती समजून घेण्यासाठी पुढे वाचा.
प्रकारानुसार फाइल हाताळणे
ChatGPT Enterprise तीन प्रमुख पद्धतींनी फाइलवर प्रक्रिया करते: मजकूर काढणे, कोडद्वारे विश्लेषण करणे आणि प्रतिमांचा अर्थ समजून घेणे. ChatGPT Enterprise कोणती कार्यपद्धती वापरेल हे फाइलच्या प्रकारावर ठरते.
| मजकूराधारित माहिती पुनर्प्राप्ती | कोड इंटरप्रिटर | प्रतिमा प्रक्रिया | दृश्य माहिती पुनर्प्राप्ती | |
|---|---|---|---|---|
| फाइल प्रकारांची उदाहरणे | pptx, docx, txt, md, json, xml, pdf* * GPT ज्ञानसामग्री किंवा प्रकल्प फाइल म्हणून अपलोड केलेल्या PDF | csv, xls, xlsx* *टीप: कोड इंटरप्रिटर कोणत्याही प्रकारच्या फाइलवर काम करू शकतो, पण स्प्रेडशीटसाठी ChatGPT Enterprise बहुतेक वेळा आपोआप कोड इंटरप्रिटर वापरते | jpg, png | pdf* * वापरकर्त्यांच्या प्रॉम्प्टमध्ये समाविष्ट केलेल्या PDF |
| कार्यपद्धती | फाइलमधून मजकूर काढला जातो – काही मजकूर थेट कॉन्टेक्स्ट विंडोमध्ये पेस्ट केला जातो (“भरला” जातो); तर काही मजकूर शोधासाठी साठवला जातो | कोड इंटरप्रिटर प्रक्रियेसाठी फाइल पायथनकडे पाठवतो | मल्टी-मोडल मॉडेल आपल्या अंगभूत क्षमतांनी प्रतिमांचा अर्थ समजून घेतात; मात्र त्यांना ज्ञात मर्यादा लागू होतात. | मजकूर पुनर्प्राप्ती आणि प्रतिमा प्रक्रिया यांची संमिश्र पद्धत. मजकूर डिजिटल पद्धतीने काढला जातो आणि मल्टी-मोडल मॉडेल आपल्या अंगभूत क्षमतांनी दृश्य सामग्रीचा अर्थ समजून घेतात. |
केवळ मजकूर असलेल्या फाइल, प्रतिमा फाइल किंवा स्पष्ट रचना असलेल्या डेटा फाइल (उदा., व्यवहारांचा एक्सेल तक्ता) यांसाठी ही विभागणी सर्वात योग्य कार्यपद्धती उपलब्ध करून देते.
काही बाबतींत कोणती पद्धत वापरली जाईल हे तितकेसे स्पष्ट नसते, उदाहरणार्थ:
PDF व्यतिरिक्त इतर फाइलमध्ये समाविष्ट केलेल्या प्रतिमांवर प्रक्रिया केली जात नाही. त्या समाविष्ट करण्यासाठी, अपलोड करण्यापूर्वी फाइलचे PDF मध्ये रूपांतर करा.
दस्तऐवजात मोठ्या प्रमाणावर मजकूर असला तरी स्प्रेडशीट हाताळण्यासाठी ChatGPT Enterprise नेहमी कोड इंटरप्रिटर वापरेल. उदाहरणार्थ, मजकुराच्या 10 ओळी असलेल्या CSV फाइलचे भाषांतर करण्यास तुम्ही ChatGPT Enterprise ला सांगितले, तर ते पायथन लायब्ररी वापरून भाषांतर करण्याचा प्रयत्न करेल. मॉडेलला थेट भाषांतर करू देण्यापेक्षा ही पद्धत कमी अचूक असते. ही अडचण कमी करण्यासाठी, स्प्रेडशीट मजकूराधारित स्वरूपात (उदाहरणार्थ, PDF) निर्यात करून पाहा.
त्याचप्रमाणे, तुम्ही व्यवहारांचा संरचित तक्ता असलेली JSON फाइल अपलोड केली, तर ChatGPT Enterprise ती साधा मजकूर म्हणून हाताळेल. तुम्हाला JSON फाइलमधील डेटाचे विश्लेषण करायचे असल्यास, तुमच्या प्रॉम्प्टमध्ये मॉडेलला कोड इंटरप्रिटर वापरण्याची सूचना द्या.
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 दस्तऐवजांतील 110 हजार टोकनपर्यंतचा मजकूर कॉन्टेक्स्ट विंडोमध्ये प्रक्रिया करण्यासाठी घेऊ शकते. तुम्ही अपलोड केलेल्या एक किंवा अधिक दस्तऐवजांमध्ये मिळून 110 हजारांपेक्षा कमी टोकन असल्यास, संपूर्ण मजकूर समाविष्ट केला जाईल.
एका दस्तऐवजात 110 हजारांपेक्षा जास्त टोकन असल्यास, त्याच्या सुरुवातीपासूनची केवळ पहिली 110 हजार टोकन समाविष्ट केली जातील. उर्वरित मजकूर केवळ खाजगी शोध निर्देशांकात पाठवला जाईल.
एकापेक्षा जास्त दस्तऐवज अपलोड केले असतील आणि त्यांतील एकूण टोकनची संख्या 110 हजारांपेक्षा जास्त असेल, तर प्रत्येक दस्तऐवजातील मजकुराला संतुलित वाटा देण्यासाठी ChatGPT Enterprise पुढील प्रक्रिया वापरते:
अपलोड केलेल्या दस्तऐवजांतून समान प्रमाणात एकूण 55 हजार टोकनपर्यंतचा मजकूर काढला जातो.
पहिल्या टप्प्यात पूर्णपणे समाविष्ट न झालेल्या दस्तऐवजांसाठी, प्रत्येक दस्तऐवजात उरलेल्या टोकनच्या संख्येच्या प्रमाणानुसार उर्वरित 55 हजार टोकनची जागा वाटली जाते.
त्यानंतर उरलेली सर्व टोकन केवळ खाजगी शोध निर्देशांकात पाठवली जातात.
मजकूर दस्तऐवजातील टोकनच्या संख्येचा अंदाज घेण्यासाठी तुम्ही त्यातील मजकूर कॉपी करून OpenAI टोकनायझरमध्ये पेस्ट करू शकता.
बहुमाध्यमीय PDF मधील सामग्री कॉन्टेक्स्ट विंडोमध्ये भरणे
वापरकर्ते मजकूर आणि प्रतिमा दोन्ही असलेल्या PDF अपलोड करतात, तेव्हा दृश्य माहिती पुनर्प्राप्तीमुळे ChatGPT डिजिटल पद्धतीने काढलेल्या मजकुरासोबतच या प्रतिमांवरही आपल्या अंगभूत क्षमतांनी प्रक्रिया करू शकते. बहुमाध्यमीय PDF साठी संदर्भ हाताळण्याच्या आमच्या नेहमीच्या प्रक्रियेला पुढील टप्पे पूरक ठरतात:
प्रतिमा काढणे आणि एम्बेड करणे: प्रतिमा काढल्या जातात आणि त्यांच्याशी संबंधित डिजिटल मजकुरासह एम्बेड केल्या जातात.
आकाराचे बुद्धिमान समायोजन: माहितीची गुणवत्ता आणि उपलब्ध कॉन्टेक्स्ट विंडोचा कार्यक्षम वापर यांचा समतोल राखण्यासाठी प्रतिमांचा आकार आपोआप समायोजित केला जातो.
अपलोड केलेल्या PDF मधील सामग्री 110 हजार टोकनची मर्यादा ओलांडते, तेव्हा प्रतिमा आणि मजकूर दोन्ही खाजगी शोध निर्देशांकात एम्बेड केले जातात. मजकुराच्या एम्बेडिंगमध्ये संबंधित प्रतिमांचे संदर्भ असतात. त्यामुळे ChatGPT वापरकर्त्यांच्या प्रश्नांनुसार योग्य मजकूर-प्रतिमा जोड्या शोधून आणू शकते. शोधून आणलेल्या प्रतिमांवर नंतर ChatGPT च्या अंगभूत बहुमाध्यमीय क्षमतांचा वापर करून प्रक्रिया केली जाते.
बहुमाध्यमीय PDF साठी किती टोकन लागतील याचा अचूक अंदाज बांधणे कठीण आहे. चाचण्यांवरून असे दिसते की मजकूर आणि प्रतिमा यांचे मिश्रण असलेली सुमारे 350 पाने 110 हजार टोकनची कॉन्टेक्स्ट विंडो पूर्णपणे व्यापतील.
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-मालिकेतील मॉडेल
प्रत्येक प्रॉम्प्टसाठी एक शोध: GPT-मालिकेतील मॉडेल वापरकर्त्याच्या प्रत्येक प्रॉम्प्टसाठी एक शोध घेतात.
उपयुक्त वापर: विस्तृत दस्तऐवजांमधील सरळ प्रश्नांची उत्तरे देण्यासाठी आदर्श.
उदाहरणार्थ प्रश्न:
"लवकर निवृत्तीसाठी मानव संसाधन धोरण काय आहे?"
"process_order हे फंक्शन काय करते?"
o-मालिकेतील मॉडेल
प्रत्येक प्रॉम्प्टसाठी अनेक शोध: वापरकर्त्याच्या प्रत्येक प्रॉम्प्टसाठी स्वतंत्र शोध-वाक्यांश वापरून अनेक शोध (सामान्यतः 2-3) घेता येतात. शोध क्रमाने घेतले जातात आणि आधीच्या शोधांमधून मिळालेल्या माहितीच्या आधारे मॉडेल आपली पद्धत बदलू शकते.
उपयुक्त वापर: विस्तृत दस्तऐवजांमध्ये अनेक लक्ष्यित शोध घ्यावे लागणाऱ्या गुंतागुंतीच्या प्रश्नांसाठी अधिक योग्य.
उदाहरणार्थ प्रश्न:
"लवकर निवृत्ती, पालकत्व रजा आणि परदेशात बदली यांसाठी मानव संसाधन धोरणे कोणती आहेत?"
"process_order हे फंक्शन काय करते ते स्पष्ट करा, या फंक्शनद्वारे वापरल्या जाणाऱ्या सर्व मेथडची सूची द्या आणि प्रत्येक मेथडचे थोडक्यात वर्णन करा."
क्षमता असूनही, एखाद्या प्रश्नासाठी तीनपेक्षा जास्त शोध आवश्यक असल्यास o-मालिकेतील 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.