ChatGPT Enterprise တွင် ဖိုင်များကို နည်းလမ်းအမျိုးမျိုးဖြင့် တင်နိုင်သည်။

• သင့်ကွန်ပျူတာမှ တိုက်ရိုက်တင်ခြင်း

• Google Drive / SharePoint / OneDrive မှတင်ခြင်း

• GPT အသိပညာ အဖြစ်တင်ခြင်း

• ပရောဂျက်ဖိုင် အဖြစ်တင်ခြင်း

• GPT လုပ်ဆောင်ချက် မှတင်ခြင်း

ဤလမ်းညွှန်တွင် ChatGPT Enterprise ၏ လုပ်ဆောင်ချက်များက ဖိုင်အမျိုးအစား၊ အရေအတွက်နှင့် အရွယ်အစားအလိုက် မည်သို့ကိုင်တွယ်ပုံကို ရှင်းပြထားပြီး ဖိုင်လိုအပ်ချက်များအပေါ် အခြေခံ၍ ရလဒ်များ ပိုမိုကောင်းမွန်စေရန် နည်းလမ်းများကို ဆွေးနွေးထားသည်။

အနှစ်ချုပ်

ChatGPT Enterprise သည် ဖိုင်အမျိုးအစားအလိုက် ကိုင်တွယ်ပုံ အလွန်ကွာခြားသည်။ PDF များ၊ တင်ပြချက်များနှင့် Word ဖိုင်များကဲ့သို့ စာသားပါသော စာရွက်စာတမ်းများမှ စာသားကို ထုတ်ယူသည်။ စာရင်းဇယားများရှိ စနစ်တကျဖွဲ့စည်းထားသော ဒေတာကို Python ကုဒ်ဖြင့် ခွဲခြမ်းစိတ်ဖြာပြီး ပုံဖိုင်များကို GPT-Vision ဖြင့် ဖော်ပြရှင်းလင်းသည်။ မည်သည့်ဖိုင်အမျိုးအစားအတွက် မည်သည့်လုပ်ငန်းစဉ်ကို အသုံးပြုကြောင်း နားလည်ခြင်းသည် မျှော်မှန်းထားသောရလဒ် ရရှိရန် အဓိကကျသည်။

စာသားအခြေပြု စာရွက်စာတမ်းများအတွက် ChatGPT Enterprise သည် သက်ဆိုင်ရာစာသားများကို တတ်နိုင်သမျှများများ တုံ့ပြန်ညွှန်ကြားချက်နှင့်အတူ တိုက်ရိုက်ထည့်သွင်းပြီး နောက်ထပ်အချက်အလက်များကို ရယူရန် ရှာဖွေရေးစနစ်တစ်ခုကို အသုံးပြုသည်။ ဤနည်းလမ်းသည် တိကျသောမေးခွန်းများကို ဖြေဆိုရာတွင် ကောင်းစွာအလုပ်လုပ်သည်။ သို့သော် အလွန်ကြီးမားသော စာရွက်စာတမ်းများကို အနှစ်ချုပ်ခြင်း သို့မဟုတ် ကြီးမားသောဖိုင်များစွာကို နှိုင်းယှဉ်ခြင်းကဲ့သို့ ရှုပ်ထွေးသည့်အလုပ်များအတွက် ဤနည်းလမ်းတွင် အခက်အခဲရှိနိုင်သည်။ သင့်ရလဒ်များ ပိုမိုကောင်းမွန်စေမည့် နည်းလမ်းများကို နားလည်ရန် ဆက်ဖတ်ပါ။

ဖိုင်အမျိုးအစားအလိုက် ကိုင်တွယ်ခြင်း

ChatGPT Enterprise သည် ဖိုင်များကို အဓိကနည်းလမ်းသုံးမျိုးဖြင့် စီမံလုပ်ဆောင်သည်။ ၎င်းတို့မှာ စာသားထုတ်ယူခြင်း၊ ကုဒ်ဖြင့် ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ပုံများကို အဓိပ္ပာယ်ဖော်ခြင်းတို့ဖြစ်သည်။ ChatGPT Enterprise က မည်သည့်လုပ်ငန်းစဉ်ကို လိုက်နာမည်ဆိုသည်ကို ဖိုင်အမျိုးအစားက ဆုံးဖြတ်သည်။

စာသားသီးသန့်ဖိုင်များ၊ ပုံဖိုင်များ သို့မဟုတ် ဖွဲ့စည်းပုံရှင်းလင်းသော ဒေတာဖိုင်များ (ဥပမာ ငွေကြေးလွှဲပြောင်းမှုများကို ဖော်ပြထားသော Excel ဇယား) အတွက် ဤသို့ခွဲခြားလုပ်ဆောင်ခြင်းသည် အကောင်းဆုံးကိုင်တွယ်ပုံဖြစ်သည်။

သို့သော် ကိုင်တွယ်ပုံကို ခန့်မှန်းရမလွယ်သော အခြေအနေအချို့ ရှိသည်။ ဥပမာ -

• PDF မဟုတ်သော အခြားဖိုင်များတွင် ထည့်သွင်းထားသည့်ပုံများကို စီမံလုပ်ဆောင်မည်မဟုတ်ပါ။ ထိုပုံများကိုပါ ထည့်သွင်းစဉ်းစားစေလိုပါက ဖိုင်ကို မတင်မီ PDF အဖြစ် ပြောင်းပါ။

• စာရွက်စာတမ်းတွင် စာသားအများအပြား ပါဝင်နေလျှင်ပင် ChatGPT Enterprise သည် စာရင်းဇယားများကို ကိုင်တွယ်ရန် ကုဒ်အဓိပ္ပာယ်ဖတ်စနစ်ကို အမြဲအသုံးပြုမည်ဖြစ်သည်။ ဥပမာ စာသားအတန်း 10 တန်းပါသော CSV ဖိုင်တစ်ခုကို ဘာသာပြန်ပေးရန် ChatGPT Enterprise အား တောင်းဆိုပါက Python လိုင်ဘရီတစ်ခုဖြင့် ဘာသာပြန်ရန် ကြိုးစားမည်ဖြစ်သည်။ ဤနည်းလမ်းသည် မော်ဒယ်ကို တိုက်ရိုက်ဘာသာပြန်စေခြင်းထက် တိကျမှုနည်းသည်။ ဤပြဿနာကို လျော့ပါးစေရန် စာရင်းဇယားကို စာသားအခြေပြုဖိုင်ပုံစံ (ဥပမာ PDF) ဖြင့် ထုတ်ယူကြည့်ပါ။

• အလားတူပင် စနစ်တကျဖွဲ့စည်းထားသော ငွေကြေးလွှဲပြောင်းမှုဇယား ပါဝင်သည့် JSON ဖိုင်ကို တင်လိုက်ပါက ChatGPT Enterprise သည် ထိုဖိုင်ကို ရိုးရိုးစာသားအဖြစ် အဓိပ္ပာယ်ဖော်မည်ဖြစ်သည်။ JSON ဖိုင်တွင် ပါဝင်သောဒေတာကို ခွဲခြမ်းစိတ်ဖြာလိုပါက ကုဒ်အဓိပ္ပာယ်ဖတ်စနစ်ကို အသုံးပြုရန် သင့်တုံ့ပြန်ညွှန်ကြားချက်ထဲတွင် မော်ဒယ်အား ညွှန်ကြားပါ။

အရွယ်အစားအပေါ် အခြေခံ၍ ဖိုင်များကို ကိုင်တွယ်ခြင်း

ChatGPT Enterprise သည် အများဆုံး context window 128k တိုကင် (စာသား စာမျက်နှာ ၂၀၀ ခန့်) ရှိသော မော်ဒယ်များကို အသုံးပြုသည်။ သို့သော် တိုကင်အားလုံးကို တင်ထားသောဖိုင်များမှ စာသားထည့်သွင်းရန် အသုံးမပြုပါ။ “ထည့်သွင်းထားသော” တိုကင် အရေအတွက်သည် အသုံးပြုမှုပုံစံအလိုက် ကွဲပြားသည်။

ChatGPT Enterprise သည် စာသားပမာဏအချို့ကို “ထည့်သွင်း” ပြီး ကျန်စာသားကို သီးသန့်ရှာဖွေမှု အညွှန်းတစ်ခု (“vector store” ဟုခေါ်သော၊ စာသားပမာဏများစွာကို ထိရောက်စွာ သိမ်းဆည်းပြီး ပြန်လည်ရယူရန် ဒီဇိုင်းထုတ်ထားသော ဒေတာဘေ့စ်အမျိုးအစားတစ်ခု) သို့ ပို့သည်။ သင်မေးခွန်းမေးသောအခါ ChatGPT Enterprise သည် ထည့်သွင်းထားသော စာသားနှင့်အတူ သီးသန့်ရှာဖွေမှု အညွှန်းမှ ရယူထားသော သက်ဆိုင်ရာ အပိုင်းများကို ယူဆောင်လာသည်။

သင် စာတမ်းတစ်ခုတည်း တင်ပါက ChatGPT Enterprise သည် ၎င်း၏ ကန့်သတ်ချက်ထိ ရောက်သည်အထိ အစမှစ၍ စာသားကို ထည့်သွင်းသည်။ သင် စာတမ်းများစွာ တင်ပါက ChatGPT Enterprise သည် စာတမ်းတစ်ခုချင်းစီ၏ အချို့ သို့မဟုတ် အားလုံးကို ထည့်သွင်းသည်။ စာတမ်းများမှ စာသားအားလုံးကိုလည်း သီးသန့်ရှာဖွေမှု အညွှန်းသို့ ပို့သည်။

စာသားစာတမ်းများအတွက် context stuffing

ChatGPT Enterprise သည် တင်ထားသောစာရွက်စာတမ်းများမှ တိုကင် 110k အထိကို context window အတွင်း စီမံလုပ်ဆောင်နိုင်သည်။ တင်လိုက်သော စာရွက်စာတမ်းတစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော စာရွက်စာတမ်းများ၏ စုစုပေါင်းတိုကင်အရေအတွက်သည် 110k ထက်နည်းလျှင် အကြောင်းအရာအပြည့်အစုံ ပါဝင်မည်ဖြစ်သည်။

စာရွက်စာတမ်းတစ်ခုတည်းတွင် တိုကင် 110k ထက်ပိုပါက အစမှရေတွက်၍ ပထမတိုကင် 110k ကိုသာ ထည့်သွင်းမည်ဖြစ်သည်။ ကျန်အကြောင်းအရာများကို သီးသန့်ရှာဖွေရေးအညွှန်းသို့သာ ပို့မည်ဖြစ်သည်။

စာရွက်စာတမ်းအများအပြား တင်ထားပြီး စုစုပေါင်းတိုကင်အရေအတွက်သည် 110k ထက်ကျော်လွန်ပါက ChatGPT Enterprise သည် စာရွက်စာတမ်းတစ်ခုချင်းမှ အကြောင်းအရာများ မျှတစွာပါဝင်စေရန် အောက်ပါအတိုင်း လုပ်ဆောင်သည်။

1. တင်ထားသော စာရွက်စာတမ်းတစ်ခုချင်းမှ အရေအတွက်တူညီစွာ ထုတ်ယူပြီး စုစုပေါင်း တိုကင် 55k အထိ ရယူသည်။

2. ပထမအဆင့်တွင် အကြောင်းအရာအပြည့်အစုံ မပါဝင်သေးသော စာရွက်စာတမ်းများအတွက် ကျန်ရှိသည့် တိုကင် 55k ပမာဏကို စာရွက်စာတမ်းတစ်ခုချင်း၌ ကျန်နေသည့်တိုကင်အရေအတွက်နှင့် အချိုးကျ ခွဲဝေသည်။

3. ကျန်နေသော တိုကင်အားလုံးကို သီးသန့်ရှာဖွေရေးအညွှန်းသို့သာ ပို့သည်။

စာသားစာရွက်စာတမ်းတစ်ခု၏ တိုကင်အရေအတွက်ကို ခန့်မှန်းရန် ထိုစာရွက်စာတမ်းရှိ စာသားကို ကူးယူပြီး OpenAI တိုကင်ခွဲစက် ထဲသို့ ထည့်နိုင်သည်။

မာလ်တီမီဒီယာ PDF များအတွက် context ထဲသို့ အကြောင်းအရာထည့်သွင်းခြင်း

အသုံးပြုသူများက စာသားနှင့်ပုံများ ပါဝင်သည့် PDF များကို တင်လိုက်သောအခါ အမြင်ဆိုင်ရာ အချက်အလက်ပြန်လည်ရယူခြင်း ကြောင့် ChatGPT သည် ဒစ်ဂျစ်တယ်နည်းဖြင့် ထုတ်ယူထားသောစာသားနှင့်အတူ ထိုပုံများကိုလည်း ၎င်း၏မူလစွမ်းရည်ဖြင့် စီမံလုပ်ဆောင်နိုင်သည်။ မာလ်တီမီဒီယာ PDF များအတွက် ကျွန်ုပ်တို့၏ ပုံမှန် context ကိုင်တွယ်မှုလုပ်ငန်းစဉ်များအပြင် အောက်ပါအဆင့်များကိုပါ လုပ်ဆောင်သည်။

• ပုံများထုတ်ယူခြင်းနှင့် ထည့်သွင်းခြင်း - ပုံများကို ထုတ်ယူပြီး ၎င်းတို့နှင့်ဆက်စပ်သော ဒစ်ဂျစ်တယ်စာသားနှင့်အတူ ထည့်သွင်းသည်။

• အရွယ်အစားကို ထက်မြက်စွာချိန်ညှိခြင်း - အချက်အလက်အရည်အသွေးနှင့် ရရှိနိုင်သော context window ကို ထိရောက်စွာအသုံးပြုနိုင်မှုတို့ မျှတစေရန် ပုံအရွယ်အစားများကို အလိုအလျောက် ချိန်ညှိသည်။

တင်ထားသော PDF များသည် တိုကင် 110k ကန့်သတ်ချက်ကို ကျော်လွန်ပါက ပုံများနှင့်စာသား နှစ်မျိုးစလုံးကို သီးသန့်ရှာဖွေရေးအညွှန်းတွင် embedding အဖြစ် ထည့်သွင်းသည်။ စာသား၏ embedding များသည် သက်ဆိုင်ရာပုံများကို ရည်ညွှန်းထားသဖြင့် ChatGPT သည် အသုံးပြုသူ၏ မေးမြန်းချက်များအပေါ် အခြေခံ၍ သင့်လျော်သော စာသားနှင့်ပုံအတွဲများကို ပြန်လည်ရယူနိုင်သည်။ ထို့နောက် ပြန်လည်ရယူထားသောပုံများကို ChatGPT ၏ မူလ အချက်အလက်အမျိုးအစားပေါင်းစုံ ကိုင်တွယ်နိုင်သည့် စွမ်းရည်များဖြင့် စီမံလုပ်ဆောင်သည်။

မာလ်တီမီဒီယာ PDF များအတွက် လိုအပ်မည့်တိုကင်အရေအတွက်ကို တိကျစွာခန့်မှန်းရန် ခက်ခဲသည်။ စမ်းသပ်မှုများအရ စာသားနှင့်ပုံများ ရောနှောပါဝင်သော စာမျက်နှာ 350 ခန့်သည် တိုကင် 110k ဆံ့သည့် context window တစ်ခုလုံးကို အပြည့်အသုံးပြုမည်ဟု ခန့်မှန်းရသည်။

မော်ဒယ်အမျိုးအစားအပေါ် အခြေခံသော ရှာဖွေမှုဗျူဟာများ

GPT-series နှင့် o-series မော်ဒယ် နှစ်မျိုးလုံးသည် ဖိုင်တင်ခြင်းကို ပံ့ပိုးပြီး တူညီသော context stuffing နှင့် ရှာဖွေမှု embedding logic ကို အသုံးပြုသည်။ မော်ဒယ်အားလုံးသည် keyword နှင့် semantic နည်းလမ်းများကို ပေါင်းစပ်ကာ သီးသန့်ရှာဖွေမှု အညွှန်းတစ်ခုအပေါ် hybrid search များ လုပ်ဆောင်သည်။ hybrid search တစ်ခုတွင် မော်ဒယ်သည် အသုံးပြုသူ၏ တုံ့ပြန်ညွှန်ကြားချက်အပေါ် မူတည်၍ ရှာဖွေစာစုတစ်ခု ထုတ်လုပ်ပြီး သီးသန့်ရှာဖွေမှု အညွှန်းက သက်ဆိုင်ရာ စာသားနှင့် ပုံများကို ထိုအတိုင်း ရယူပေးသည်။

သို့သော် ဤမော်ဒယ်များသည် context window ထက်ကျော်လွန်သော စာတမ်းကြီးများအတွင်း ရှာဖွေပုံတွင် ကွဲပြားသည်-

GPT-series မော်ဒယ်များ

• တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုလျှင် တစ်ကြိမ်ရှာဖွေခြင်း- GPT-series မော်ဒယ်များသည် အသုံးပြုသူ၏ တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုလျှင် တစ်ကြိမ် ရှာဖွေသည်။

• ထိရောက်စွာ အသုံးချနိုင်သည့် အခြေအနေများ- စာရွက်စာတမ်းအများအပြားတွင် ပါဝင်သည့် ရိုးရှင်းသော မေးခွန်းများကို ဖြေဆိုရန် အထူးသင့်လျော်သည်။

မေးမြန်းချက် နမူနာများ-

• "စောစီးစွာ အငြိမ်းစားယူခြင်းဆိုင်ရာ လူ့စွမ်းအားအရင်းအမြစ် မူဝါဒမှာ အဘယ်နည်း။"

• "process_order လုပ်ဆောင်ချက်က မည်သည့်အရာကို လုပ်ဆောင်သနည်း။"

o-series မော်ဒယ်များ

• တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုလျှင် အကြိမ်များစွာ ရှာဖွေခြင်း- အသုံးပြုသူ၏ တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုလျှင် သီးခြားရှာဖွေရေးစကားစုများဖြင့် အကြိမ်များစွာ (ပုံမှန်အားဖြင့် ၂ ကြိမ်မှ ၃ ကြိမ်) ရှာဖွေနိုင်သည်။ ရှာဖွေမှုများကို အစဉ်လိုက်လုပ်ဆောင်ပြီး ယခင်ရှာဖွေမှုများမှ ရရှိထားသည့် အချက်အလက်များအပေါ် အခြေခံ၍ မော်ဒယ်က ၎င်း၏ချဉ်းကပ်ပုံကို ပြောင်းလဲနိုင်သည်။

• ထိရောက်စွာ အသုံးချနိုင်သည့် အခြေအနေများ- စာရွက်စာတမ်းအများအပြားတွင် ရည်ရွယ်ချက်တိကျသော ရှာဖွေမှုများစွာ ပြုလုပ်ရန်လိုသည့် ရှုပ်ထွေးသော မေးခွန်းများအတွက် ပိုမိုသင့်လျော်သည်။

မေးမြန်းချက် နမူနာများ-

• "စောစီးစွာ အငြိမ်းစားယူခြင်း၊ မိဘခွင့်နှင့် နိုင်ငံရပ်ခြားသို့ အလုပ်ပြောင်းရွှေ့ခြင်းဆိုင်ရာ လူ့စွမ်းအားအရင်းအမြစ် မူဝါဒများမှာ အဘယ်နည်း။"

• "process_order လုပ်ဆောင်ချက်က မည်သည့်အရာကို လုပ်ဆောင်ကြောင်း ရှင်းပြပြီး ယင်းလုပ်ဆောင်ချက်က ခေါ်ယူအသုံးပြုသည့် method အားလုံးကို စာရင်းပြုစုကာ method တစ်ခုချင်းစီကို အကျဉ်းချုပ်ဖော်ပြပါ။"

အားသာချက်များရှိသော်လည်း ရှာဖွေမှု သုံးကြိမ်ထက်ပိုလိုသည့် မေးမြန်းချက်များတွင် o-series မော်ဒယ်များ အခက်အခဲရှိနိုင်သည်။

ဖိုင်ရှာဖွေမှုရလဒ်များ တိုးတက်စေရန် အကြံပြုချက်များ

• ရှာဖွေမှုများစွာ လိုအပ်သော ရှုပ်ထွေးသည့် မေးခွန်းများအတွက် o-series မော်ဒယ်ကို အသုံးပြုကြည့်ပါ။

• သင်တင်သော စာတမ်းများ၏ အမျိုးအစား၊ အရေအတွက်နှင့် အရွယ်အစားအပေါ် မူတည်၍ တုံ့ပြန်ချက်များ ကွဲပြားနိုင်ကြောင်း သတိပြုပါ။

• ယေဘုယျအားဖြင့် အာရုံစိုက်ထားသော စာတမ်းအနည်းငယ်ကိုသာ ထည့်သွင်းခြင်းက တိကျမှု ပိုမြင့်စေမည်။

• မေးခွန်းများစွာပါသော ခေါင်းစဉ်များကို မေးခွန်းတစ်ခုချင်းစီအဖြစ် ပြောင်းပါ-

  • ပြည်နယ်တိုင်း၏ HR မူဝါဒများအားလုံးကို သိလိုပါက ၎င်းတို့ကို တစ်ခုချင်း မေးပါ။

  • စာတမ်းများစွာကို အကျဉ်းချုပ်လိုပါက တစ်ကြိမ်လျှင် စာတမ်းတစ်ခုစီအတွက် မေးပါ။ ထိုစာတမ်းသည် စာမျက်နှာ ရာပေါင်းများစွာရှိပါက ပိုသေးသော အစိတ်အပိုင်းများအဖြစ် ခွဲခြားရန် စဉ်းစားပါ။

    • စာတမ်းအပြည့်အစုံများအစား အကျဉ်းချုပ်များစွာကို ပေးထားပါက ChatGPT Enterprise ကို “အကျဉ်းချုပ်များ၏ အကျဉ်းချုပ်” ရေးခိုင်းနိုင်သည်။

  • သင့်တွင် RFP ၏ CSV တစ်ခု (လိုင်းတစ်ကြောင်းစီသည် မတူညီသော မေးခွန်းတစ်ခု) ရှိပါက CSV ကို တင်ပြီး တုံ့ပြန်ချက်တစ်ခုတည်း တောင်းဆိုမည့်အစား ထိုမေးခွန်းများကို တစ်ခုချင်း မေးပါ။

• မော်ဒယ်၏ တုံ့ပြန်ချက်များကို စစ်ဆေးအတည်ပြုရန် နည်းလမ်းများ ရှာဖွေပါ။ နမူနာ GPT ညွှန်ကြားချက်များမှာ အောက်တွင် ဖြစ်သည်-