ChatGPT Enterprise poate acum să citească și să înțeleagă elementele vizuale (imagini, grafice, diagrame etc.) încorporate în fișierele PDF incluse în solicitări. Utilizatorii pot încărca un PDF, iar ChatGPT poate interpreta textul și toate elementele vizuale din acel fișier.
Pentru detalii, consultă: Întrebări frecvente despre regăsirea vizuală în PDF-uri.
ChatGPT Enterprise îți permite să încarci fișiere în mai multe moduri:
Direct de pe computer
Printr-o acțiune GPT
Acest ghid explică modul în care funcțiile ChatGPT Enterprise gestionează fișierele în funcție de tip, număr și dimensiune și prezintă strategii pentru îmbunătățirea rezultatelor în funcție de cerințele de procesare a fișierelor.
Rezumat
ChatGPT Enterprise tratează tipurile de fișiere în moduri foarte diferite: extrage textul din documente precum PDF-uri, prezentări și fișiere Word, analizează datele structurate din foi de calcul folosind cod Python și descrie fișierele imagine prin GPT-Vision. Pentru a obține rezultatul așteptat, este esențial să înțelegi ce flux de lucru declanșează fiecare tip de fișier.
Pentru documentele bazate pe text, ChatGPT Enterprise include cât mai mult text relevant direct alături de solicitare și folosește un sistem de căutare pentru a accesa informații suplimentare. Această metodă funcționează bine pentru a răspunde la întrebări punctuale. Totuși, această abordare poate întâmpina dificultăți în sarcini complexe, precum rezumarea unor documente foarte mari sau compararea mai multor fișiere mari. Citește în continuare pentru a afla ce strategii te pot ajuta să obții rezultate mai bune.
Gestionarea fișierelor în funcție de tip
ChatGPT Enterprise procesează fișierele în trei moduri principale: extragerea textului, analiza cu ajutorul codului și interpretarea imaginilor. Tipul de fișier determină fluxul de lucru urmat de ChatGPT Enterprise.
| Regăsire pe bază de text | Interpretor de coduri | Procesarea imaginilor | Regăsire vizuală | |
|---|---|---|---|---|
| Exemple de tipuri de fișiere | pptx, docx, txt, md, json, xml, pdf* * PDF-uri încărcate ca surse de cunoștințe pentru un GPT sau fișiere de proiect | csv, xls, xlsx* *Notă: funcția Interpretor de coduri poate lucra cu orice tip de fișier, dar ChatGPT Enterprise o folosește implicit cel mai adesea pentru foile de calcul | jpg, png | pdf* * PDF-uri incluse în solicitările utilizatorilor |
| Mod de funcționare | Extrage textul din fișier – o parte din text este inserată („înglobată”) direct în fereastra contextuală, iar o altă parte este stocată pentru căutare | Funcția Interpretor de coduri transmite fișierul către Python pentru procesare | Imaginile sunt interpretate nativ de modele multi-modale, cu limitările cunoscute. | O combinație între regăsirea textului și procesarea imaginilor. Textul este extras digital, iar conținutul vizual este interpretat nativ de modele multi-modale. |
Pentru fișierele care conțin doar text, fișierele imagine sau fișierele cu date clar structurate (de exemplu, un tabel Excel cu tranzacții), această împărțire asigură cel mai bun mod de procesare.
Există și situații în care modul de procesare nu este la fel de evident, de exemplu:
Imaginile încorporate în alte fișiere decât PDF-urile nu sunt procesate. Pentru a le include, convertește fișierul în format PDF înainte de a-l încărca.
ChatGPT Enterprise va folosi întotdeauna funcția Interpretor de coduri pentru a lucra cu foile de calcul, chiar dacă documentul conține mult text. De exemplu, dacă îi ceri ChatGPT Enterprise să traducă un fișier CSV cu 10 rânduri de text, va încerca să îl traducă folosind o bibliotecă Python, metodă mai puțin precisă decât generarea traducerii direct de către model. Pentru a reduce această problemă, încearcă să exporți foaia de calcul într-un format bazat pe text (de exemplu, PDF).
În mod similar, dacă încarci un tabel structurat cu tranzacții într-un fișier JSON, ChatGPT Enterprise va interpreta acest fișier ca text simplu. Dacă vrei să analizezi datele dintr-un fișier JSON, cere-i modelului în solicitare să folosească funcția Interpretor de coduri.
Gestionarea fișierelor în funcție de dimensiune
ChatGPT Enterprise utilizează modele cu o fereastră contextuală maximă de 128k tokenuri (aproximativ 200 de pagini de text). Cu toate acestea, nu toate tokenurile sunt folosite pentru a încorpora textul din fișierele încărcate. Numărul de tokenuri „introduse” variază în funcție de tipul de utilizare.
ChatGPT Enterprise „introduce” o anumită cantitate de text, iar textul rămas este trimis către un index de căutare privat (un „vector store”, adică un tip de bază de date concepută pentru a stoca și recupera eficient cantități mari de text). Când pui o întrebare, ChatGPT Enterprise aduce textul inclus împreună cu fragmente relevante recuperate dintr-un index de căutare privat.
Dacă încarci un singur document, ChatGPT Enterprise include textul începând de la început până când își atinge limita. Dacă încarci mai multe documente, ChatGPT Enterprise include parțial sau integral fiecare document. Tot textul din documente este trimis și către un index de căutare privat.
Introducerea contextului pentru documente text
Această funcție este în curs de dezvoltare activă. Ca atare, următoarele detalii se pot modifica fără notificare prealabilă.
ChatGPT Enterprise poate procesa în fereastra contextuală până la 110.000 de tokeni din documentele încărcate. Dacă încarci unul sau mai multe documente care însumează mai puțin de 110.000 de tokeni, conținutul lor va fi inclus integral.
În cazul unui singur document care depășește 110.000 de tokeni, vor fi incluși doar primii 110.000 de tokeni, de la începutul documentului. Restul conținutului va fi trimis doar către indexul privat de căutare.
Dacă sunt încărcate mai multe documente care însumează peste 110.000 de tokeni, ChatGPT Enterprise folosește următorul proces pentru a echilibra reprezentarea documentelor:
Extrage până la 55.000 de tokeni, repartizați în mod egal între documentele încărcate.
Pentru documentele care nu au fost incluse integral în primul pas, alocă restul de 55.000 de tokeni proporțional cu numărul de tokeni rămași în fiecare document.
Toți tokenii rămași sunt trimiși doar către indexul privat de căutare.
Poți estima numărul de tokeni dintr-un document text copiind textul acestuia în instrumentul de tokenizare OpenAI.
Includerea conținutului PDF-urilor multimedia în context
Când utilizatorii încarcă PDF-uri care conțin atât text, cât și imagini, funcția de regăsire vizuală permite ChatGPT să proceseze nativ aceste imagini alături de textul extras digital. Pentru PDF-urile multimedia, următorii pași completează procedurile noastre standard de gestionare a contextului:
Extragerea și reprezentarea vectorială a imaginilor: imaginile sunt extrase și reprezentate vectorial împreună cu textul digital asociat.
Redimensionarea inteligentă: imaginile sunt redimensionate automat pentru a menține un echilibru între calitatea informațiilor și utilizarea eficientă a ferestrei contextuale disponibile.
Când PDF-urile încărcate depășesc limita de 110.000 de tokeni, atât imaginile, cât și textul sunt reprezentate vectorial în indexul privat de căutare. Reprezentările vectoriale ale textului fac trimitere la imaginile relevante, permițând ChatGPT să regăsească perechile text-imagine potrivite în funcție de întrebările utilizatorilor. Imaginile regăsite sunt apoi procesate folosind capacitățile multimodale native ale ChatGPT.
Este dificil de estimat cu precizie numărul de tokeni necesari pentru PDF-urile multimedia. Testele sugerează că aproximativ 350 de pagini care combină text și imagini vor ocupa integral fereastra contextuală de 110.000 de tokeni.
Strategii de căutare bazate pe tipul modelului
Atât modelele din seria GPT, cât și cele din seria o acceptă încărcări de fișiere și utilizează aceeași logică de introducere a contextului și de embedding pentru căutare. Toate modelele execută căutări hibride într-un index de căutare privat, combinând metode bazate pe cuvinte-cheie și metode semantice. Într-o căutare hibridă, modelul generează o expresie de căutare pe baza solicitării utilizatorului, iar indexul de căutare privat recuperează textul și imaginile relevante corespunzător.
Cu toate acestea, aceste modele diferă prin modul în care caută în documente mari care depășesc fereastra contextuală:
Modelele din seria GPT
O singură căutare per solicitare: Modelele din seria GPT efectuează o singură căutare pentru fiecare solicitare a utilizatorului.
Cazuri de utilizare adecvate: Ideale pentru a răspunde la întrebări simple cu răspunsuri incluse într-o documentație amplă.
Exemple de întrebări:
„Care este politica de resurse umane privind pensionarea anticipată?”
„Ce face funcția process_order?”
Modelele din seria o
Mai multe căutări per solicitare: Pot efectua mai multe căutări (de obicei 2-3) pentru fiecare solicitare a utilizatorului, fiecare cu o expresie de căutare unică. Căutările sunt efectuate succesiv, iar modelul își poate adapta abordarea în funcție de informațiile obținute în căutările anterioare.
Cazuri de utilizare adecvate: Sunt mai potrivite pentru întrebări complexe, care necesită mai multe căutări specifice într-o documentație amplă.
Exemple de întrebări:
„Care sunt politicile de resurse umane privind pensionarea anticipată, concediul parental și transferul în străinătate?”
„Explică ce face funcția process_order, enumeră toate metodele apelate de această funcție și descrie pe scurt fiecare metodă apelată.”
În ciuda avantajelor lor, modelele din seria o pot întâmpina dificultăți când o întrebare necesită mai mult de trei căutări.
Sfaturi pentru îmbunătățirea rezultatelor căutării în fișiere
Încearcă să folosești un model din seria o pentru întrebări complexe care necesită mai multe căutări.
Reține că răspunsurile pot varia în funcție de tipul, numărul și dimensiunea documentelor pe care le încarci.
În general, încărcarea unui număr mai mic de documente focalizate va duce la o acuratețe mai mare.
Transformă subiectele cu mai multe întrebări în întrebări individuale:
Dacă trebuie să afli politicile de HR ale fiecărui stat, întreabă despre ele pe rând.
Dacă trebuie să rezumi multe documente, cere câte un document pe rând. Dacă documentul respectiv are multe sute de pagini, ia în considerare împărțirea lui în componente mai mici.
Ai putea cere ChatGPT Enterprise să scrie un „rezumat al rezumatelor” dacă îi furnizezi mai multe rezumate în loc de documente întregi.
Dacă ai un CSV al unui RFP (fiecare linie este o întrebare diferită), pune acele întrebări pe rând, în loc să încarci doar CSV-ul și să soliciți un singur răspuns.
Găsește modalități de a audita răspunsurile modelului. Exemple de instrucțiuni GPT sunt mai jos:
# Context
Sunteți expert în înțelegerea documentelor. Utilizatorul va atașa un document și va adresa o întrebare. Trebuie să poată corela răspunsul dvs. cu partea exactă din text de unde ați extras răspunsul.
# Instrucțiuni
1. Răspundeți la întrebarea utilizatorului pe baza documentului atașat folosind exact formatul de mai jos
# Format
- Întrebare: { repetați întrebarea utilizatorului }
- Răspuns: { oferiți un răspuns la întrebarea utilizatorului }
Sursă:
- - Număr secțiune: { indicați numărul secțiunii din care ați extras răspunsul }
- - Titlu secțiune: { indicați titlul secțiunii din care ați extras răspunsul }
- - Text exact: { furnizați textul exact din care ați extras răspunsul }
# Reguli
- Oferiți răspunsuri clare și concise
- Furnizați numai informațiile prezente în document
- Dacă nu găsiți răspunsul în document, răspundeți pur și simplu „Nu au fost găsite informații.”