ChatGPT Enterprise သည် ဖိုင်များကို နည်းလမ်းများစွာဖြင့် တင်ခွင့်ပြုသည်-

• သင့်ကွန်ပျူတာမှ တိုက်ရိုက်

• Google Drive / SharePoint / OneDrive မှ

• GPT Knowledge အဖြစ်

• Project File အဖြစ်

• GPT Action မှ

ဤလမ်းညွှန်တွင် ChatGPT Enterprise လုပ်ဆောင်ချက်များသည် ဖိုင်များကို ၎င်းတို့၏ အမျိုးအစား၊ အရေအတွက်နှင့် အရွယ်အစားအပေါ် မူတည်၍ မည်သို့ ကိုင်တွယ်သည်ကို ရှင်းပြပြီး၊ ဖိုင်လိုအပ်ချက်များအပေါ် မူတည်၍ ရလဒ်များ တိုးတက်စေရန် ဗျူဟာများကို ဆွေးနွေးထားသည်။

အကျဉ်းချုပ်

ChatGPT Enterprise သည် ဖိုင်အမျိုးအစား မတူညီမှုများကို အလွန်ကွဲပြားစွာ ကိုင်တွယ်သည်- PDF များ၊ Presentation များနှင့် Word ဖိုင်များကဲ့သို့သော စာသားစာတမ်းများမှ စာသားထုတ်ယူခြင်း၊ spreadsheet များမှ ဖွဲ့စည်းတကျဒေတာကို Python code ဖြင့် ခွဲခြမ်းစိတ်ဖြာခြင်း၊ နှင့် ပုံဖိုင်များကို GPT-Vision မှတစ်ဆင့် ဖော်ပြခြင်း။ မည်သည့်ဖိုင်အမျိုးအစားက မည်သည့် workflow ကို စတင်စေသည်ကို နားလည်ခြင်းသည် မျှော်မှန်းထားသည့် ရလဒ်ရရှိရန် အရေးကြီးသည်။

စာသားအခြေပြု စာတမ်းများအတွက် ChatGPT Enterprise သည် သက်ဆိုင်ရာ စာသားများကို တုံ့ပြန်ညွှန်ကြားချက်နှင့် တိုက်ရိုက်အတူ ဖြစ်နိုင်သမျှများများ ထည့်သွင်းပြီး ထပ်ဆောင်းအချက်အလက်များ ရယူရန် ရှာဖွေမှုစနစ်ကို အသုံးပြုသည်။ ဤနည်းလမ်းသည် သီးခြားမေးခွန်းများကို ဖြေကြားရန် ကောင်းစွာ အလုပ်လုပ်သည်။ သို့သော် အလွန်ကြီးသော စာတမ်းများကို အကျဉ်းချုပ်ခြင်း သို့မဟုတ် ဖိုင်ကြီးများစွာကို နှိုင်းယှဉ်ခြင်းကဲ့သို့သော ရှုပ်ထွေးသည့် အလုပ်များတွင် ဤချဉ်းကပ်ပုံသည် အခက်အခဲရှိနိုင်သည်။ သင့်ရလဒ်များ တိုးတက်စေရန် ဗျူဟာများကို နားလည်ရန် ဆက်လက်ဖတ်ရှုပါ။

အမျိုးအစားအပေါ် အခြေခံ၍ ဖိုင်များကို ကိုင်တွယ်ခြင်း

ChatGPT Enterprise သည် ဖိုင်များကို အဓိက နည်းလမ်းသုံးမျိုးဖြင့် လုပ်ဆောင်သည်- စာသားထုတ်ယူခြင်း၊ code ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ပုံအဓိပ္ပာယ်ဖော်ခြင်း။ ဖိုင်အမျိုးအစား က ChatGPT Enterprise လိုက်နာမည့် workflow ကို သတ်မှတ်သည်။

စာသားသာပါသော ဖိုင်များ၊ ပုံဖိုင်များ သို့မဟုတ် ဖွဲ့စည်းပုံရှင်းလင်းသော ဒေတာဖိုင်များ (ဥပမာ၊ ငွေလွှဲလုပ်ငန်းများပါသော Excel ဇယား) အတွက် ဤခွဲခြားမှုများသည် ဖြစ်နိုင်သမျှ အကောင်းဆုံး အပြုအမူကို ကိုယ်စားပြုသည်။

သို့သော် သိသာထင်ရှားမှု နည်းသော မရေရာသည့် အခြေအနေအချို့ ရှိသည်၊ ဥပမာ-

• PDF မဟုတ်သော ဖိုင်များအတွင်း ထည့်သွင်းထားသည့် ပုံများကို လုပ်ဆောင်မည်မဟုတ်ပါ။ ၎င်းတို့ကို ထည့်သွင်းရန် ဖိုင်ကို မတင်မီ PDF သို့ ပြောင်းပါ။

• စာတမ်းတွင် စာသားပမာဏများစွာ ပါဝင်နေသော်လည်း ChatGPT Enterprise သည် spreadsheet များနှင့် အပြန်အလှန်လုပ်ဆောင်ရန် ကုဒ်အဓိပ္ပာယ်ဖတ်စနစ်ကို အမြဲအသုံးပြုမည်။ ဥပမာအားဖြင့် ChatGPT Enterprise ကို စာသား ၁၀ ကြောင်းပါသော CSV ဖိုင်တစ်ခု ဘာသာပြန်ရန် မေးပါက ၎င်းသည် Python library တစ်ခုဖြင့် ဖိုင်ကို ဘာသာပြန်ရန် ကြိုးစားမည်ဖြစ်ပြီး၊ ၎င်းသည် မော်ဒယ်ကို ဘာသာပြန်ချက် တိုက်ရိုက်ထုတ်လုပ်ခွင့်ပြုခြင်းထက် တိကျမှုနည်းသည်။ ဤအရာကို လျော့ပါးစေရန် spreadsheet ကို စာသားအခြေပြု format တစ်ခု (ဥပမာ PDF) အဖြစ် export လုပ်ကြည့်ပါ။

• အလားတူပင် JSON ဖိုင်ထဲတွင် ပါရှိသော ဖွဲ့စည်းတကျ ငွေလွှဲဒေတာဇယားတစ်ခုကို တင်ပါက ChatGPT Enterprise သည် ဤဖိုင်ကို ရိုးရိုးစာသားအဖြစ် အဓိပ္ပာယ်ဖော်မည်။ JSON ဖိုင်ထဲရှိ ဒေတာကို ခွဲခြမ်းစိတ်ဖြာလိုပါက သင့်တုံ့ပြန်ညွှန်ကြားချက်တွင် ကုဒ်အဓိပ္ပာယ်ဖတ်စနစ်ကို အသုံးပြုရန် မော်ဒယ်ကို 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 ရှာဖွေမှုတစ်ခု: GPT-series မော်ဒယ်များသည် အသုံးပြုသူ တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုလျှင် ရှာဖွေမှုတစ်ခု လုပ်ဆောင်သည်။

• ထိရောက်သော အသုံးပြုမှုများ: ကျယ်ပြန့်သော စာတမ်းအချက်အလက်များအတွင်း ပါရှိသည့် ရိုးရှင်းသော မေးခွန်းများကို ဖြေကြားရန် အလွန်သင့်တော်သည်။

နမူနာမေးခွန်းများ:

• “အစောပိုင်း အငြိမ်းစားယူခြင်းအတွက် HR မူဝါဒက ဘာလဲ။”

• “process_order function က ဘာလုပ်ဆောင်သလဲ။”

o-series မော်ဒယ်များ

• တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုလျှင် ရှာဖွေမှုများစွာ: အသုံးပြုသူ တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုလျှင် ရှာဖွေမှုများစွာ (ပုံမှန်အားဖြင့် ၂-၃ ခု) ကို၊ တစ်ခုချင်းစီတွင် သီးသန့်ရှာဖွေစာစုဖြင့် လုပ်ဆောင်နိုင်သည်။ ရှာဖွေမှုများကို အစဉ်လိုက် လုပ်ဆောင်ပြီး၊ မော်ဒယ်သည် ယခင်ရှာဖွေမှုများမှ ရယူထားသော အချက်အလက်များအပေါ် မူတည်၍ ၎င်း၏ချဉ်းကပ်ပုံကို ပြင်ဆင်နိုင်သည်။

• ထိရောက်သော အသုံးပြုမှုများ: ကျယ်ပြန့်သော စာတမ်းအချက်အလက်များအတွင်း ရည်မှန်းချက်တိကျသော ရှာဖွေမှုများစွာ လိုအပ်သည့် ရှုပ်ထွေးသော မေးခွန်းများအတွက် ပိုမိုသင့်လျော်သည်။

နမူနာမေးခွန်းများ:

• “အစောပိုင်း အငြိမ်းစားယူခြင်း၊ မိဘခွင့်နှင့် ပြည်ပပြောင်းရွှေ့ခြင်းအတွက် HR မူဝါဒများက ဘာတွေလဲ။”

• “process_order function က ဘာလုပ်ဆောင်သည်ကို ရှင်းပြပါ၊ ဤ function က ခေါ်သုံးသည့် method အားလုံးကို စာရင်းပြုစုပြီး ခေါ်သုံးထားသည့် method တစ်ခုချင်းစီကို အကျဉ်းချုပ် ဖော်ပြပါ။”

၎င်းတို့၏ အားသာချက်များရှိသော်လည်း၊ မေးခွန်းတစ်ခုသည် ရှာဖွေမှု သုံးခုထက်ပို လိုအပ်ပါက o-series မော်ဒယ်များသည် 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-