ChatGPT Enterprise tani mbështet leximin dhe kuptimin e elementeve vizuale (imazhe, grafikë, diagrame etj.) të përfshira në skedarë PDF në kërkesa. Përdoruesit mund të ngarkojnë një PDF dhe ChatGPT mund të interpretojë tekstin dhe çdo element vizual brenda atij skedari.
Për detaje, shihni FAQ për Visual Retrieval me PDF.
ChatGPT Enterprise ju lejon të ngarkoni skedarë në disa mënyra:
Drejtpërdrejt nga kompjuteri juaj
Nga një GPT Action
Ky udhëzues shpjegon se si veçoritë e ChatGPT Enterprise i trajtojnë skedarët bazuar në llojin, numrin dhe madhësinë e tyre, si dhe diskuton strategji për përmirësimin e rezultateve bazuar në kërkesat e skedarëve.
Përmbledhje
ChatGPT Enterprise i trajton llojet e ndryshme të skedarëve në mënyra shumë të ndryshme: nxjerr tekst nga dokumente teksti si PDF, prezantime dhe skedarë Word, analizon të dhëna të strukturuara nga tabela duke përdorur kod Python dhe përshkruan skedarë imazhesh përmes GPT-Vision. Të kuptuarit se cili lloj skedari aktivizon cilën rrjedhë pune është thelbësor për të marrë rezultatin e pritur.
Për dokumentet e bazuara në tekst, ChatGPT Enterprise përfshin sa më shumë tekst përkatës që të jetë e mundur drejtpërdrejt krahas kërkesës dhe përdor një sistem kërkimi për të aksesuar 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. Vazhdoni leximin për të kuptuar strategjitë për përmirësimin e rezultateve tuaja.
Trajtimi i skedarëve bazuar në lloj
ChatGPT Enterprise përpunon skedarët në tri mënyra kryesore: nxjerrje teksti, analizë kodi dhe interpretim imazhesh. Lloji i skedarit përcakton se cilën rrjedhë pune ndjek ChatGPT Enterprise.
| Marrja e informacionit bazuar në tekst | Code Interpreter | Përpunimi i imazheve | Visual Retrieval | |
|---|---|---|---|---|
| Shembuj llojesh skedarësh | pptx, docx, txt, md, json, xml, pdf* * PDF-të e ngarkuara si GPT Knowledge ose Skedarë projekti | csv, xls, xlsx* *Shënim: Code Interpreter mund të veprojë mbi çdo lloj skedari, por ChatGPT Enterprise zakonisht parazgjedh CI për tabelat | jpg, png | pdf* * PDF-të e përfshira në kërkesat e përdoruesve |
| Sjellja | Nxjerr tekstin nga skedari – një pjesë e tekstit ngjitet (“mbushet”) drejtpërdrejt në dritaren e kontekstit; një pjesë e tekstit ruhet për kërkim | Code Interpreter ia kalon skedarin Python-it për përpunim | Imazhet interpretohen në mënyrë native nga modelet multimodale, duke iu nënshtruar kufizimeve të njohura . | Një hibrid i marrjes së informacionit nga teksti dhe përpunimit të imazheve. Teksti nxirret digjitalisht dhe përmbajtja vizuale interpretohet në mënyrë native nga modelet multimodale. |
Për skedarë vetëm me tekst, skedarë imazhesh ose skedarë të dhënash qartësisht të strukturuara (p.sh., një tabelë Excel me transaksione), këto ndarje përfaqësojnë sjelljen më të mirë të mundshme.
Ka disa zona gri që janë më pak të dukshme, për shembull:
Imazhet e ngulitura në skedarë të tjerë përveç PDF-ve nuk përpunohen. Për t’i përfshirë ato, konvertojeni skedarin në PDF përpara ngarkimit.
ChatGPT Enterprise do të përdorë gjithmonë Code Interpreter për të ndërvepruar me tabelat, edhe nëse dokumenti përmban një sasi të madhe teksti. Për shembull, nëse i kërkoni ChatGPT Enterprise të përkthejë një skedar CSV me 10 rreshta teksti, ai do të përpiqet ta përkthejë skedarin duke përdorur një bibliotekë Python, gjë që është më pak e saktë sesa ta lejoni modelin të gjenerojë drejtpërdrejt një përkthim. Për ta zbutur këtë, provoni ta eksportoni tabelën në një format të bazuar në tekst (për shembull, PDF).
Në mënyrë të ngjashme, nëse ngarkoni një tabelë transaksionesh të strukturuar që gjendet në një skedar JSON, ChatGPT Enterprise do ta interpretojë këtë skedar si tekst të thjeshtë. Nëse dëshironi të analizoni të dhënat që përmban një skedar JSON, udhëzojeni modelin të përdorë Code Interpreter në kërkesën tuaj.
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 tokenë nga dokumentet e ngarkuara në dritaren e kontekstit. Nëse ngarkoni një ose më shumë dokumente me një total të kombinuar prej më pak se 110 mijë tokenësh, do të përfshihet i gjithë përmbajtja.
Për një dokument të vetëm që tejkalon 110 mijë tokenë, do të përfshihen vetëm 110 mijë tokenët e parë, duke nisur nga fillimi. Pjesa e mbetur do të dërgohet vetëm në indeksin privat të kërkimit.
Nëse ngarkohen disa dokumente dhe totali i tyre i kombinuar tejkalon 110 mijë tokenë, ChatGPT Enterprise përdor një proces me dy hapa për të balancuar përfaqësimin e dokumenteve:
Nxirrni deri në 55 mijë tokenë, të ndarë në mënyrë të barabartë midis dokumenteve të ngarkuara.
Për dokumentet që nuk përfaqësohen plotësisht në hapin e parë, alokoni 55 mijë tokenët e mbetur proporcionalisht bazuar në tokenët e mbetur në secilin dokument.
Çdo token i mbetur dërgohet vetëm në indeksin privat të kërkimit.
Mund të vlerësoni numrin e tokenëve në një dokument teksti duke kopjuar tekstin e dokumentit në OpenAI Tokenizer.
Mbushja e kontekstit për PDF multimediale
Kur përdoruesit ngarkojnë PDF që përmbajnë si tekst ashtu edhe imazhe, Visual Retrieval i mundëson ChatGPT të përpunojë këto imazhe në mënyrë native krahas tekstit të nxjerrë digjitalisht. Hapat e mëposhtëm plotësojnë procedurat tona standarde të trajtimit të kontekstit për PDF multimediale:
Nxjerrja dhe embedding-u i imazheve: Imazhet nxirren dhe integrohen si embedding së bashku me tekstin e tyre digjital përkatës.
Shkallëzim inteligjent: Imazhet shkallëzohen automatikisht për të ruajtur një ekuilibër midis 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 integrohen si embedding në indeksin privat të kërkimit. Embedding-et e tekstit u referohen imazheve përkatëse, duke i lejuar ChatGPT të marrë çiftet e duhura tekst-imazh bazuar në kërkesat e përdoruesve. Imazhet e marra më pas përpunohen duke përdorur aftësitë native multimodale të ChatGPT.
Vlerësimi i saktë i kërkesave për tokenë për PDF multimediale është sfidues. Testimi sugjeron se afërsisht 350 faqe me tekst dhe imazhe të përziera do ta shfrytëzojnë 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 kërkesë: Modelet e serisë GPT kryejnë një kërkim për çdo kërkesë përdoruesi.
Raste efektive përdorimi: Ideale për t’u përgjigjur pyetjeve të drejtpërdrejta të përfshira në dokumentacion të gjerë.
Shembuj kërkesash:
“Cila është politika e HR për pension të parakohshëm?”
“Çfarë bën funksioni
process_order?”
Modelet e serisë o
Kërkime të shumta për kërkesë: Mund të kryejnë kërkime të shumta (zakonisht 2-3) për çdo kërkesë përdoruesi, secila me një frazë unike kërkimi. Kërkimet kryhen në mënyrë sekuenciale dhe modeli mund ta përditësojë qasjen e tij bazuar në informacionin e marrë nga kërkimet e mëparshme.
Raste efektive përdorimi: Më të përshtatshme për pyetje komplekse që kërkojnë kërkime të shumta të synuara në dokumentacion të gjerë.
Shembuj kërkesash:
“Cilat janë politikat e HR për pension të parakohshëm, leje prindërore dhe transferim jashtë vendit?”
“Shpjego çfarë bën funksioni
process_order, rendit të gjitha metodat e thirrura nga ky funksion dhe përshkruaj shkurtimisht secilën metodë të thirrur.”
Pavarësisht pikave të tyre të forta, modelet e serisë o mund të hasin vështirësi kur një kërkesë kërkon më shumë se tre 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.”