ChatGPT Enterprise တွင် ဖိုင်များကို အောက်ပါနည်းလမ်းများဖြင့် အပ်လုဒ်လုပ်နိုင်သည်-

• သင့်ကွန်ပျူတာမှ တိုက်ရိုက်

• Google Drive / SharePoint / OneDrive မှ

• GPT အသိပညာ အဖြစ်

• ပရောဂျက်ဖိုင် အဖြစ်

• GPT လုပ်ဆောင်ချက် မှ

ဤလမ်းညွှန်တွင် ChatGPT Enterprise အင်္ဂါရပ်များက ဖိုင်အမျိုးအစား၊ အရေအတွက်နှင့် အရွယ်အစားအလိုက် ဖိုင်များကို မည်သို့ကိုင်တွယ်ပုံနှင့် ဖိုင်လိုအပ်ချက်များအရ ရလဒ်များ ပိုမိုကောင်းမွန်စေရန် နည်းဗျူဟာများကို ရှင်းပြထားသည်။

အကျဉ်းချုပ်

ChatGPT Enterprise သည် ဖိုင်အမျိုးအစားအလိုက် ကိုင်တွယ်ပုံ အလွန်ကွဲပြားသည်။ PDF၊ Presentation နှင့် Word ဖိုင်ကဲ့သို့ စာသားစာရွက်စာတမ်းများမှ စာသားထုတ်ယူခြင်း၊ spreadsheet များမှ ဖွဲ့စည်းပုံကျသော ဒေတာကို Python ကုဒ်ဖြင့် ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ပုံဖိုင်များကို GPT-Vision ဖြင့် ဖော်ပြခြင်းတို့ ပြုလုပ်သည်။ မည်သည့်ဖိုင်အမျိုးအစားက မည်သည့်လုပ်ငန်းစဉ်ကို စတင်စေကြောင်း နားလည်ခြင်းသည် မျှော်လင့်ထားသည့်ရလဒ် ရရှိရန် အဓိကကျသည်။

စာသားအခြေပြု စာရွက်စာတမ်းများအတွက် ChatGPT Enterprise သည် သက်ဆိုင်ရာစာသားများကို တုံ့ပြန်ညွှန်ကြားချက်နှင့်အတူ တိုက်ရိုက်တတ်နိုင်သမျှ ထည့်သွင်းပြီး နောက်ထပ်အချက်အလက်များ ရယူရန် ရှာဖွေရေးစနစ်ကို အသုံးပြုသည်။ ဤနည်းလမ်းသည် သီးခြားတိကျသော မေးခွန်းများကို ဖြေဆိုရာတွင် ကောင်းစွာအလုပ်လုပ်သည်။ သို့သော် အလွန်ကြီးမားသော စာရွက်စာတမ်းများကို အကျဉ်းချုပ်ခြင်း သို့မဟုတ် ကြီးမားသောဖိုင်များစွာကို နှိုင်းယှဉ်ခြင်းကဲ့သို့ ရှုပ်ထွေးသည့်လုပ်ငန်းများတွင် ဤနည်းလမ်းက အခက်အခဲရှိနိုင်သည်။ သင့်ရလဒ်များ ပိုမိုကောင်းမွန်စေမည့် နည်းဗျူဟာများကို နားလည်ရန် ဆက်လက်ဖတ်ရှုပါ။

ဖိုင်အမျိုးအစားအလိုက် ကိုင်တွယ်ခြင်း

ChatGPT Enterprise သည် ဖိုင်များကို အဓိကနည်းလမ်းသုံးမျိုးဖြင့် လုပ်ဆောင်သည်- စာသားထုတ်ယူခြင်း၊ ကုဒ်ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ပုံအဓိပ္ပာယ်ဖော်ခြင်း။ ChatGPT Enterprise က မည်သည့်လုပ်ငန်းစဉ်ကို လိုက်နာမည်ဆိုသည်ကို ဖိုင်အမျိုးအစားက ဆုံးဖြတ်သည်။

စာသားသီးသန့်ဖိုင်များ၊ ပုံဖိုင်များ သို့မဟုတ် ဖွဲ့စည်းပုံရှင်းလင်းသော ဒေတာဖိုင်များ (ဥပမာ ငွေပေးငွေယူများပါသည့် Excel ဇယား) အတွက် ဤခွဲခြားမှုများသည် အကောင်းဆုံးဖြစ်နိုင်သည့် လုပ်ဆောင်ပုံကို ကိုယ်စားပြုသည်။

သိသာထင်ရှားမှုနည်းသော ကြားနေအခြေအနေအချို့လည်း ရှိသည်။ ဥပမာ-

• PDF မဟုတ်သော ဖိုင်များအတွင်း ထည့်သွင်းထားသည့် ပုံများကို စီမံလုပ်ဆောင်မည်မဟုတ်ပါ။ ထိုပုံများကို ထည့်သွင်းရန် ဖိုင်ကို အပ်လုဒ်မလုပ်မီ PDF အဖြစ် ပြောင်းပါ။

• စာရွက်စာတမ်းတွင် စာသားအများအပြား ပါဝင်နေလျှင်ပင် ChatGPT Enterprise သည် spreadsheet များနှင့် အပြန်အလှန်လုပ်ဆောင်ရန် ကုဒ်အဓိပ္ပာယ်ဖတ်စနစ်ကို အမြဲအသုံးပြုမည်။ ဥပမာအားဖြင့် စာသား ၁၀ တန်းပါသည့် CSV ဖိုင်ကို ဘာသာပြန်ရန် ChatGPT Enterprise ကို တောင်းဆိုပါက Python library ကို အသုံးပြု၍ ဖိုင်ကို ဘာသာပြန်ရန် ကြိုးစားမည်ဖြစ်သည်။ ယင်းသည် မော်ဒယ်အား ဘာသာပြန်ချက်ကို တိုက်ရိုက်ဖန်တီးခွင့်ပေးခြင်းထက် တိကျမှုနည်းသည်။ ဤပြဿနာကို လျှော့ချရန် spreadsheet ကို စာသားအခြေပြုဖော်မတ်တစ်မျိုး (ဥပမာ PDF) သို့ ထုတ်ယူကြည့်ပါ။

• အလားတူပင် JSON ဖိုင်ထဲတွင် ပါဝင်သည့် ဖွဲ့စည်းပုံကျသော ငွေပေးငွေယူဇယားကို အပ်လုဒ်လုပ်ပါက ChatGPT Enterprise သည် ဤဖိုင်ကို ရိုးရိုးစာသားအဖြစ် အဓိပ္ပာယ်ဖော်မည်။ JSON ဖိုင်ထဲရှိ ဒေတာကို ခွဲခြမ်းစိတ်ဖြာလိုပါက သင့်တုံ့ပြန်ညွှန်ကြားချက်တွင် ကုဒ်အဓိပ္ပာယ်ဖတ်စနစ်ကို အသုံးပြုရန် 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 context window အတွင်း တင်ထားသောစာတမ်းများမှ တိုကင် 110k အထိ လုပ်ဆောင်နိုင်သည်။ စုစုပေါင်း 110k တိုကင်ထက်နည်းသော စာတမ်းတစ်ခု သို့မဟုတ် တစ်ခုထက်ပို တင်ပါက အကြောင်းအရာအပြည့်အစုံကို ထည့်သွင်းမည်။

110k တိုကင်ထက်ကျော်သော စာတမ်းတစ်ခုတည်းအတွက် အစမှစ၍ ပထမ 110k တိုကင်များကိုသာ ထည့်သွင်းမည်။ ကျန်ရှိသောအပိုင်းကို သီးသန့်ရှာဖွေမှု အညွှန်းသို့သာ ပို့မည်။

စာတမ်းများစွာ တင်ထားပြီး ၎င်းတို့၏ စုစုပေါင်းပမာဏသည် 110k တိုကင်ထက်ကျော်ပါက ChatGPT Enterprise သည် စာတမ်းကို ကိုယ်စားပြုမှု မျှတစေရန် အဆင့်နှစ်ဆင့် လုပ်ငန်းစဉ်ကို အသုံးပြုသည်-

1. တင်ထားသောစာတမ်းများအကြား ညီမျှစွာ ခွဲဝေပြီး တိုကင် 55k အထိ ထုတ်ယူပါ။

1. ပထမအဆင့်တွင် အပြည့်အဝ မပါဝင်နိုင်သော စာတမ်းများအတွက် စာတမ်းတစ်ခုချင်းစီတွင် ကျန်ရှိသော တိုကင်များအပေါ် မူတည်၍ ကျန် 55k တိုကင်များကို အချိုးကျစွာ ခွဲဝေပါ။

1. ကျန်ရှိသော တိုကင်များကို သီးသန့်ရှာဖွေမှု အညွှန်းသို့သာ ပို့သည်။

စာသားစာတမ်းတစ်ခု၏ တိုကင်အရေအတွက်ကို ခန့်မှန်းရန် စာတမ်း၏စာသားကို OpenAI Tokenizer ထဲသို့ ကူးထည့်နိုင်သည်။

မီဒီယာစုံ PDF များအတွက် context stuffing

အသုံးပြုသူများသည် စာသားနှင့် ပုံများ နှစ်မျိုးလုံးပါသော PDF များကို တင်သည့်အခါ ရုပ်မြင်ဆိုင်ရာ ရှာဖွေပြန်ယူမှု သည် ChatGPT ကို ဤပုံများကို ဒစ်ဂျစ်တယ်နည်းဖြင့် ထုတ်ယူထားသော စာသားနှင့်အတူ မူလပုံစံအတိုင်း လုပ်ဆောင်နိုင်စေသည်။ အောက်ပါအဆင့်များသည် မီဒီယာစုံ PDF များအတွက် ကျွန်ုပ်တို့၏ စံ context ကိုင်တွယ်မှု လုပ်ငန်းစဉ်များကို ဖြည့်စွက်သည်-

• ပုံထုတ်ယူခြင်းနှင့် Embedding: ပုံများကို ၎င်းတို့နှင့် ဆက်စပ်သော ဒစ်ဂျစ်တယ်စာသားနှင့်အတူ ထုတ်ယူပြီး embed လုပ်သည်။

• အသိဉာဏ်ရှိသော အရွယ်အစားညှိခြင်း: ရရှိနိုင်သော context window ကို ထိရောက်စွာ အသုံးပြုမှုနှင့် အချက်အလက်အရည်အသွေးအကြား မျှတမှုကို ထိန်းထားရန် ပုံများကို အလိုအလျောက် အရွယ်အစားညှိသည်။

တင်ထားသော PDF များသည် 110k တိုကင်ကန့်သတ်ချက်ထက် ကျော်လွန်ပါက ပုံများနှင့် စာသား နှစ်မျိုးလုံးကို သီးသန့်ရှာဖွေမှု အညွှန်းတွင် embed လုပ်သည်။ စာသား embedding များသည် သက်ဆိုင်ရာ ပုံများကို ရည်ညွှန်းထားသောကြောင့် ChatGPT သည် အသုံးပြုသူမေးခွန်းများအပေါ် မူတည်၍ သင့်လျော်သော စာသား-ပုံ အတွဲများကို ပြန်လည်ရယူနိုင်သည်။ ပြန်လည်ရယူထားသော ပုံများကို ထို့နောက် ChatGPT ၏ မူလ multimodal စွမ်းဆောင်ရည်များဖြင့် လုပ်ဆောင်သည်။

မီဒီယာစုံ PDF များအတွက် တိုကင်လိုအပ်ချက်များကို တိကျစွာ ခန့်မှန်းရန် ခက်ခဲသည်။ စမ်းသပ်မှုများအရ စာသားနှင့် ပုံများ ရောနှောထားသော စာမျက်နှာ ၃၅၀ ခန့်သည် 110k တိုကင် context window ကို အပြည့်အဝ အသုံးပြုမည်ဟု ညွှန်ပြသည်။

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-