ChatGPT Enterprise tani mbështet leximin dhe kuptimin e elementeve vizuale (imazhe, grafikë, diagrame etj.) të integruara në skedarët PDF që përfshihen në kërkesa. Përdoruesit mund të ngarkojnë një PDF dhe ChatGPT mund të interpretojë tekstin dhe çdo element vizual brenda atij skedari.
Për hollësi, shihni: Pyetje të shpeshta për marrjen e informacionit vizual nga PDF-të.
ChatGPT Enterprise ju lejon të ngarkoni skedarë në disa mënyra:
Drejtpërdrejt nga kompjuteri juaj
Nga një veprim GPT
Ky udhëzues shpjegon si i trajtojnë veçoritë e ChatGPT Enterprise skedarët sipas llojit, numrit dhe madhësisë së tyre, si dhe paraqet strategji për të përmirësuar rezultatet sipas kërkesave të skedarëve.
Përmbledhje
ChatGPT Enterprise i trajton llojet e ndryshme të skedarëve në mënyra shumë të ndryshme: nxjerr tekstin nga dokumente tekstuale si PDF-të, prezantimet dhe skedarët Word, analizon të dhënat e strukturuara nga fletëllogaritë duke përdorur kod Python dhe përshkruan skedarët e imazheve përmes GPT-Vision. Për të marrë rezultatin e pritur, është thelbësore të kuptoni se cili lloj skedari aktivizon cilën rrjedhë pune.
Për dokumentet tekstuale, ChatGPT Enterprise përfshin sa më shumë tekst të rëndësishëm drejtpërdrejt krahas kërkesës dhe përdor një sistem kërkimi për të gjetur informacion shtesë. Kjo funksionon mirë për t’iu përgjigjur pyetjeve specifike. Megjithatë, kjo qasje mund të hasë vështirësi me detyra komplekse, si përmbledhja e dokumenteve shumë të mëdha ose krahasimi i disa skedarëve të mëdhenj. Lexoni më tej për të mësuar strategji që përmirësojnë rezultatet tuaja.
Trajtimi i skedarëve sipas llojit
ChatGPT Enterprise i përpunon skedarët në tri mënyra kryesore: nxjerrja e tekstit, analiza me kod dhe interpretimi i imazheve. Lloji i skedarit përcakton rrjedhën e punës që ndjek ChatGPT Enterprise.
| Marrja e informacionit nga teksti | Code Interpreter | Përpunimi i imazheve | Marrja e informacionit vizual | |
|---|---|---|---|---|
| Shembuj të llojeve të skedarëve | pptx, docx, txt, md, json, xml, pdf* * PDF të ngarkuara si njohuri për GPT ose skedarë projekti | csv, xls, xlsx* *Shënim: Code Interpreter mund të punojë me çdo lloj skedari, por për fletëllogaritë ChatGPT Enterprise zakonisht përdor CI si zgjedhje të parazgjedhur | jpg, png | pdf* * PDF të përfshira në kërkesat e përdoruesit |
| Sjellja | Nxjerr tekstin nga skedari – një pjesë e tekstit ngjitet («futet») drejtpërdrejt në dritaren e kontekstit; pjesa tjetër ruhet për kërkim | Code Interpreter ia kalon skedarin Python për përpunim | Imazhet interpretohen drejtpërdrejt nga modelet multimodale, duke iu nënshtruar kufizimeve të njohura. | Një ndërthurje e marrjes së informacionit nga teksti dhe përpunimit të imazheve. Teksti nxirret në mënyrë digjitale, ndërsa përmbajtja vizuale interpretohet drejtpërdrejt nga modelet multimodale. |
Për skedarët vetëm me tekst, skedarët e imazheve ose skedarët me të dhëna të strukturuara qartë (p.sh., një tabelë transaksionesh në Excel), këto mënyra trajtimi japin rezultatet më të mira të mundshme.
Ka disa raste ku mënyra e trajtimit është më pak e qartë, për shembull:
Imazhet e integruara në skedarë që nuk janë PDF nuk përpunohen. Për t’i përfshirë, konvertojeni skedarin në PDF përpara se ta ngarkoni.
ChatGPT Enterprise do të përdorë gjithmonë Code Interpreter për të punuar me fletëllogaritë, edhe nëse dokumenti përmban shumë tekst. Për shembull, nëse i kërkoni ChatGPT Enterprise të përkthejë një skedar CSV me 10 rreshta teksti, do të përpiqet ta përkthejë duke përdorur një bibliotekë Python. Kjo është më pak e saktë sesa ta lini modelin ta gjenerojë përkthimin drejtpërdrejt. Për ta zbutur këtë problem, provoni ta eksportoni fletëllogarinë në një format tekstual (për shembull, PDF).
Po kështu, nëse ngarkoni një tabelë të strukturuar transaksionesh që gjendet në një skedar JSON, ChatGPT Enterprise do ta interpretojë këtë skedar si tekst të thjeshtë. Nëse dëshironi të analizoni të dhënat në një skedar JSON, udhëzojeni modelin në kërkesën tuaj që të përdorë Code Interpreter.
Trajtimi i skedarëve bazuar në madhësi
ChatGPT Enterprise përdor modele me një dritare maksimale konteksti prej 128 mijë tokenësh (afërsisht 200 faqe tekst). Megjithatë, jo të gjithë tokenët përdoren për të përfshirë tekstin nga skedarët e ngarkuar. Numri i tokenëve të “mbushur” ndryshon sipas llojit të përdorimit.
ChatGPT Enterprise “mbush” një sasi të caktuar teksti dhe teksti i mbetur dërgohet në një indeks privat kërkimi (një “depo vektorësh”, që është një lloj baze të dhënash e projektuar për të ruajtur dhe marrë në mënyrë efikase sasi të mëdha teksti). Kur bëni një pyetje, ChatGPT Enterprise sjell tekstin e përfshirë së bashku me pjesët përkatëse të marra nga një indeks privat kërkimi.
Nëse ngarkoni një dokument të vetëm, ChatGPT Enterprise përfshin tekst duke nisur nga fillimi derisa të arrijë kufirin e vet. Nëse ngarkoni disa dokumente, ChatGPT Enterprise përfshin një pjesë ose të gjithë secilin dokument. I gjithë teksti nga dokumentet dërgohet gjithashtu në një indeks privat kërkimi.
Mbushja e kontekstit për dokumente teksti
Kjo veçori është nën zhvillim aktiv. Si e tillë, detajet e mëposhtme mund të ndryshojnë pa njoftim.
ChatGPT Enterprise mund të përpunojë deri në 110 mijë token nga dokumentet e ngarkuara në dritaren e kontekstit. Nëse ngarkoni një ose më shumë dokumente me gjithsej më pak se 110 mijë token, përmbajtja do të përfshihet e plotë.
Për një dokument të vetëm me mbi 110 mijë token, do të përfshihen vetëm 110 mijë token e parë, duke nisur nga fillimi. Pjesa tjetër do të dërgohet vetëm në indeksin privat të kërkimit.
Nëse ngarkohen disa dokumente me gjithsej mbi 110 mijë token, ChatGPT Enterprise përdor procesin e mëposhtëm për të balancuar përfaqësimin e dokumenteve:
Nxjerr deri në 55 mijë token, të ndarë në mënyrë të barabartë mes dokumenteve të ngarkuara.
Për dokumentet që nuk janë përfaqësuar plotësisht në hapin e parë, ndan 55 mijë token e mbetur në mënyrë përpjesëtimore, sipas numrit të tokenëve të mbetur në secilin dokument.
Çdo token i mbetur dërgohet vetëm në indeksin privat të kërkimit.
Mund të vlerësoni numrin e tokenëve në një dokument tekstual duke kopjuar tekstin e tij në tokenizuesin e OpenAI.
Përfshirja në kontekst e përmbajtjes së PDF-ve multimediale
Kur përdoruesit ngarkojnë PDF që përmbajnë tekst dhe imazhe, Marrja e informacionit vizual i mundëson ChatGPT t’i përpunojë këto imazhe drejtpërdrejt, krahas tekstit të nxjerrë në mënyrë digjitale. Hapat e mëposhtëm plotësojnë procedurat tona standarde të trajtimit të kontekstit për PDF-të multimediale:
Nxjerrja dhe integrimi i imazheve: Imazhet nxirren dhe integrohen bashkë me tekstin digjital përkatës.
Përshtatja inteligjente e përmasave: Përmasat e imazheve përshtaten automatikisht për të ruajtur ekuilibrin mes cilësisë së informacionit dhe përdorimit efikas të dritares së disponueshme të kontekstit.
Kur PDF-të e ngarkuara tejkalojnë kufirin prej 110 mijë tokenësh, si imazhet ashtu edhe teksti përfshihen në indeksin privat të kërkimit si përfaqësime vektoriale. Përfaqësimet vektoriale të tekstit u referohen imazheve përkatëse, duke i mundësuar ChatGPT të marrë çiftet e duhura tekst-imazh sipas pyetjeve të përdoruesit. Imazhet e marra më pas përpunohen duke përdorur aftësitë multimodale të integruara të ChatGPT.
Është e vështirë të vlerësohet me saktësi numri i tokenëve që nevojiten për PDF-të multimediale. Testet sugjerojnë se rreth 350 faqe me tekst dhe imazhe e mbushin plotësisht dritaren e kontekstit prej 110 mijë tokenësh.
Strategjitë e kërkimit bazuar në llojin e modelit
Si modelet e serisë GPT, ashtu edhe ato të serisë o mbështesin ngarkimin e skedarëve dhe përdorin të njëjtën logjikë të mbushjes së kontekstit dhe të embedding-ut të kërkimit. Të gjitha modelet kryejnë kërkime hibride kundrejt një indeksi privat kërkimi, duke kombinuar metoda me fjalë kyçe dhe semantike. Në një kërkim hibrid, modeli gjeneron një frazë kërkimi bazuar në kërkesën e përdoruesit dhe indeksi privat i kërkimit merr tekstin dhe imazhet përkatëse në përputhje me të.
Megjithatë, këto modele ndryshojnë në mënyrën se si kërkojnë nëpër dokumente të mëdha që e tejkalojnë dritaren e kontekstit:
Modelet e serisë GPT
Një kërkim për çdo kërkesë: Modelet e serisë GPT kryejnë një kërkim për çdo kërkesë të përdoruesit.
Rastet e përshtatshme të përdorimit: Ideale për t'iu përgjigjur pyetjeve të drejtpërdrejta që gjenden në dokumentacion të gjerë.
Shembuj kërkesash:
“Cila është politika e burimeve njerëzore për pensionin e parakohshëm?”
“Çfarë bën funksioni process_order?”
Modelet e serisë o
Disa kërkime për çdo kërkesë: Mund të kryejë disa kërkime (zakonisht 2–3) për çdo kërkesë të përdoruesit, secilin me një frazë unike kërkimi. Kërkimet kryhen njëri pas tjetrit dhe modeli mund ta përshtatë qasjen bazuar në informacionin e marrë nga kërkimet e mëparshme.
Rastet e përshtatshme të përdorimit: Më të përshtatshme për pyetje komplekse që kërkojnë disa kërkime të synuara në dokumentacion të gjerë.
Shembuj kërkesash:
“Cilat janë politikat e burimeve njerëzore për pensionin e parakohshëm, lejen prindërore dhe transferimin jashtë vendit?”
“Shpjego çfarë bën funksioni process_order, rendit të gjitha metodat që thërret ky funksion dhe përshkruaj shkurtimisht secilën prej tyre.”
Pavarësisht avantazheve të tyre, modelet e serisë o mund të hasin vështirësi kur një kërkesë kërkon më shumë se tri kërkime.
Këshilla për përmirësimin e rezultateve të kërkimit të skedarëve
Provoni të përdorni një model të serisë o për pyetje komplekse që kërkojnë kërkime të shumta.
Mbani mend se përgjigjet mund të ndryshojnë në varësi të llojit, numrit dhe madhësisë së dokumenteve që ngarkoni.
Në përgjithësi, ngarkimi i më pak dokumenteve, por më të fokusuara, do të sjellë saktësi më të lartë.
Kthejini temat me shumë pyetje në pyetje të veçanta:
Nëse duhet të dini politikat e HR të çdo shteti, pyetini një nga një.
Nëse duhet të përmblidhni shumë dokumente, kërkoni një dokument në çdo herë. Nëse ai dokument ka shumë qindra faqe, merrni parasysh ta ndani në komponentë më të vegjël.
Mund t’i kërkoni ChatGPT Enterprise të shkruajë një “përmbledhje të përmbledhjeve” nëse i jepni disa përmbledhje në vend të dokumenteve të plota.
Nëse keni një CSV të një RFP-je (ku çdo rresht është një pyetje e ndryshme), bëjini ato pyetje një nga një në vend që thjesht të ngarkoni CSV-në dhe të kërkoni një përgjigje të vetme.
Gjeni mënyra për të audituar përgjigjet e modelit. Shembuj udhëzimesh për GPT janë më poshtë:
# Konteksti
Ju jeni ekspert në kuptimin e dokumenteve. Përdoruesi do të bashkëngjisë një dokument dhe do të bëjë një pyetje. Ata duhet të jenë në gjendje ta lidhin përgjigjen tuaj me pjesën e saktë të tekstit nga ku e morët përgjigjen.
# Udhëzime
1. Përgjigjuni pyetjes së përdoruesit bazuar në dokumentin e bashkëngjitur duke përdorur formatin e saktë të dhënë më poshtë
# Formati
- Pyetja: { përsërit pyetjen e përdoruesit }
- Përgjigjja: { jep një përgjigje për pyetjen e përdoruesit }
Burimi:
- - Numri i seksionit: { jep numrin e seksionit nga ku e morët përgjigjen }
- - Titulli i seksionit: { jep titullin e seksionit nga ku e morët përgjigjen }
- - Teksti i saktë: { jep tekstin e saktë nga ku e morët përgjigjen }
# Rregullat
- Jepni përgjigje të qarta dhe koncize
- Jepni vetëm informacionin e dhënë në dokument
- Nëse nuk mund ta gjeni përgjigjen në dokument, thjesht përgjigjuni me “Nuk u gjet asnjë informacion.”