ChatGPT Enterprise-இல் பல வழிகளில் கோப்புகளைப் பதிவேற்றலாம்:

• உங்கள் கணினியிலிருந்து நேரடியாக

• கூகுள் டிரைவ் / ஷேர்பாயிண்ட் / ஒன்டிரைவ் வழியாக

• GPT அறிவாக

• திட்டக் கோப்பாக

• GPT செயல் வழியாக

கோப்புகளின் வகை, எண்ணிக்கை, அளவைப் பொறுத்து ChatGPT Enterprise அம்சங்கள் அவற்றை எவ்வாறு கையாளுகின்றன என்பதை இந்த வழிகாட்டி விளக்குகிறது. மேலும், கோப்பு சார்ந்த தேவைகளுக்கு ஏற்ப வெளியீடுகளை மேம்படுத்தும் உத்திகளையும் விவரிக்கிறது.

சுருக்கம்

ChatGPT Enterprise ஒவ்வொரு கோப்பு வகையையும் மிகவும் வேறுபட்ட முறையில் கையாளுகிறது: PDF கோப்புகள், விளக்கக்காட்சிகள், வேர்ட் கோப்புகள் போன்ற உரை ஆவணங்களிலிருந்து உரையைப் பிரித்தெடுக்கிறது; விரிதாள்களில் உள்ள கட்டமைக்கப்பட்ட தரவை Python நிரல் மூலம் பகுப்பாய்வு செய்கிறது; படக் கோப்புகளை GPT-Vision மூலம் விவரிக்கிறது. எந்தக் கோப்பு வகைக்கு எந்தச் செயல்முறை பயன்படுத்தப்படுகிறது என்பதைப் புரிந்துகொள்வது, எதிர்பார்த்த முடிவைப் பெறுவதற்கு முக்கியம்.

உரை சார்ந்த ஆவணங்களில் இருந்து, தொடர்புடைய உரையை முடிந்தவரை ப்ராம்ப்ட்டுடன் நேரடியாகச் சேர்க்கிறது ChatGPT Enterprise. கூடுதல் தகவல்களை அணுக ஒரு தேடல் அமைப்பைப் பயன்படுத்துகிறது. குறிப்பிட்ட கேள்விகளுக்குப் பதிலளிக்க இது சிறப்பாகச் செயல்படுகிறது. எனினும், மிகப் பெரிய ஆவணங்களைச் சுருக்குவது அல்லது பல பெரிய கோப்புகளை ஒப்பிடுவது போன்ற சிக்கலான பணிகளில் இந்த அணுகுமுறை தடுமாறக்கூடும். சிறந்த முடிவுகளைப் பெறுவதற்கான உத்திகளை அறிய தொடர்ந்து படியுங்கள்.

வகையின் அடிப்படையில் கோப்புகளைக் கையாளுதல்

ChatGPT Enterprise மூன்று முக்கிய வழிகளில் கோப்புகளைச் செயலாக்குகிறது: உரையைப் பிரித்தெடுத்தல், நிரல் மூலம் பகுப்பாய்வு செய்தல், படங்களைப் புரிந்துகொள்ளுதல். ChatGPT Enterprise எந்தச் செயல்முறையைப் பின்பற்றும் என்பதை கோப்பு வகை தீர்மானிக்கிறது.

உரை மட்டுமே உள்ள கோப்புகள், படக் கோப்புகள் அல்லது தெளிவாகக் கட்டமைக்கப்பட்ட தரவுக் கோப்புகள் (எ.கா., பரிவர்த்தனைகள் அடங்கிய எக்செல் அட்டவணை) ஆகியவற்றுக்கு, இந்த வகைப்பாட்டின்படி செயல்படுவதே சிறந்த முடிவுகளைத் தரும்.

எனினும், சில சூழல்களில் எந்தச் செயல்முறை பயன்படுத்தப்படும் என்பது வெளிப்படையாகத் தெரியாது. எடுத்துக்காட்டாக:

• PDF அல்லாத பிற கோப்புகளில் பொதிந்துள்ள படங்கள் செயலாக்கப்படுவதில்லை. அவற்றையும் சேர்த்துச் செயலாக்க, பதிவேற்றுவதற்கு முன் கோப்பை PDF வடிவத்திற்கு மாற்றவும்.

• விரிதாள்களில் அதிக அளவு உரை இருந்தாலும், அவற்றைக் கையாள ChatGPT Enterprise எப்போதும் கோட் இன்டர்பிரிட்டரையே பயன்படுத்தும். எடுத்துக்காட்டாக, 10 வரிசைகளில் உரை உள்ள ஒரு CSV கோப்பை மொழிபெயர்க்குமாறு ChatGPT Enterprise-இடம் கேட்டால், அது Python நிரல் நூலகத்தைப் பயன்படுத்தி மொழிபெயர்க்க முயலும். மாடலை நேரடியாக மொழிபெயர்க்க அனுமதிப்பதைவிட இது குறைவான துல்லியத்தையே தரும். இதைத் தவிர்க்க, விரிதாளை உரை சார்ந்த வடிவத்திற்கு (எடுத்துக்காட்டாக, PDF) ஏற்றுமதி செய்து முயற்சிக்கவும்.

• அதேபோல், கட்டமைக்கப்பட்ட பரிவர்த்தனை அட்டவணை உள்ள JSON கோப்பைப் பதிவேற்றினால், ChatGPT Enterprise அதனைச் சாதாரண உரையாகவே கருதும். JSON கோப்பில் உள்ள தரவைப் பகுப்பாய்வு செய்ய விரும்பினால், கோட் இன்டர்பிரிட்டரைப் பயன்படுத்துமாறு உங்கள் ப்ராம்ப்ட்டில் மாடலுக்கு அறிவுறுத்தவும்.

அளவின் அடிப்படையில் கோப்புகளைக் கையாளுதல்

ChatGPT Enterprise அதிகபட்சமாக 128k டோக்கன்கள் (சுமார் 200 பக்க உரை) கொண்ட சூழல் சாளரமுள்ள மாடல்களைப் பயன்படுத்துகிறது. இருப்பினும், பதிவேற்றப்பட்ட கோப்புகளிலிருந்து உரையைச் சேர்க்க அனைத்து டோக்கன்களும் பயன்படுத்தப்படுவதில்லை. “ஸ்டஃப் செய்யப்பட்ட” டோக்கன்களின் எண்ணிக்கை பயன்பாட்டு வகையைப் பொறுத்து மாறுபடும்.

ChatGPT Enterprise குறிப்பிட்ட அளவு உரையை “ஸ்டஃப்” செய்கிறது, மீதமுள்ள உரை தனிப்பட்ட தேடல் குறியீட்டுக்கு அனுப்பப்படுகிறது (“வெக்டர் ஸ்டோர்”; இது அதிக அளவிலான உரையை திறம்பட சேமித்து மீட்டெடுக்க வடிவமைக்கப்பட்ட தரவுத்தள வகை). நீங்கள் கேள்வி கேட்கும்போது, தனிப்பட்ட தேடல் குறியீட்டிலிருந்து மீட்டெடுக்கப்பட்ட தொடர்புடைய பகுதிகளுடன் சேர்த்து சேர்க்கப்பட்ட உரையையும் ChatGPT Enterprise கொண்டு வருகிறது.

நீங்கள் ஒரு ஆவணத்தை பதிவேற்றினால், ChatGPT Enterprise அதன் வரம்பை அடையும் வரை தொடக்கத்திலிருந்து உரையைச் சேர்க்கும். நீங்கள் பல ஆவணங்களை பதிவேற்றினால், ChatGPT Enterprise ஒவ்வொரு ஆவணத்தின் சில பகுதியையோ முழுவதையோ சேர்க்கும். ஆவணங்களிலுள்ள அனைத்து உரையும் தனிப்பட்ட தேடல் குறியீட்டுக்கும் அனுப்பப்படும்.

உரை ஆவணங்களுக்கான சூழல் ஸ்டஃபிங்

பதிவேற்றிய ஆவணங்களிலிருந்து 110,000 டோக்கன்கள் வரை ChatGPT Enterprise சூழல் சாளரத்தில் செயலாக்க முடியும். நீங்கள் பதிவேற்றும் ஒன்று அல்லது அதற்கு மேற்பட்ட ஆவணங்களில் மொத்தமாக 110,000-க்கும் குறைவான டோக்கன்கள் இருந்தால், அவற்றின் முழு உள்ளடக்கமும் சேர்க்கப்படும்.

ஒரே ஆவணத்தில் 110,000-க்கும் மேற்பட்ட டோக்கன்கள் இருந்தால், அதன் தொடக்கத்திலிருந்து முதல் 110,000 டோக்கன்கள் மட்டுமே சேர்க்கப்படும். மீதமுள்ளவை தனிப்பட்ட தேடல் குறியீட்டிற்கு மட்டுமே அனுப்பப்படும்.

பல ஆவணங்கள் பதிவேற்றப்பட்டு, அவற்றின் மொத்த டோக்கன் எண்ணிக்கை 110,000-ஐத் தாண்டினால், ஒவ்வொரு ஆவணத்திலிருந்தும் உள்ளடக்கம் சமநிலையில் இடம்பெற ChatGPT Enterprise பின்வரும் செயல்முறையைப் பயன்படுத்துகிறது:

1. பதிவேற்றிய ஆவணங்களிலிருந்து மொத்தம் 55,000 டோக்கன்கள் வரை, ஒவ்வொரு ஆவணத்திலிருந்தும் சம அளவில் பிரித்தெடுக்கப்படும்.

2. முதல் படியில் முழுமையாகச் சேர்க்கப்படாத ஆவணங்களுக்கு, அவற்றில் மீதமுள்ள டோக்கன்களின் எண்ணிக்கைக்கு விகிதாசாரமாக எஞ்சிய 55,000 டோக்கன்களுக்கான இடம் ஒதுக்கப்படும்.

3. இதற்குப் பிறகும் மீதமுள்ள டோக்கன்கள் தனிப்பட்ட தேடல் குறியீட்டிற்கு மட்டுமே அனுப்பப்படும்.

ஓர் உரை ஆவணத்தின் உரையை நகலெடுத்து OpenAI டோக்கனாக்கியில் ஒட்டுவதன் மூலம், அந்த ஆவணத்தில் உள்ள டோக்கன்களின் எண்ணிக்கையை மதிப்பிடலாம்.

பல்லூடக PDF கோப்புகளின் உள்ளடக்கத்தைச் சூழல் சாளரத்தில் சேர்த்தல்

உரையும் படங்களும் உள்ள PDF கோப்புகளைப் பயனர்கள் பதிவேற்றும்போது, டிஜிட்டல் முறையில் பிரித்தெடுத்த உரையுடன் அந்தப் படங்களையும் நேரடியாகச் செயலாக்க காட்சித் தகவல் மீட்டெடுப்பு ChatGPT-க்கு உதவுகிறது. பல்லூடக PDF கோப்புகளுக்கு, எங்களின் வழக்கமான சூழல் கையாளும் செயல்முறைகளுடன் பின்வரும் படிகளும் சேர்க்கப்படுகின்றன:

• படங்களைப் பிரித்தெடுத்துப் பொதித்தல்: படங்கள் பிரித்தெடுக்கப்பட்டு, அவற்றுடன் தொடர்புடைய டிஜிட்டல் உரையோடு பொதிக்கப்படுகின்றன.

• அறிவார்ந்த அளவுமாற்றம்: தகவலின் தரத்தையும், கிடைக்கும் சூழல் சாளர இடத்தைத் திறம்படப் பயன்படுத்துவதையும் சமநிலைப்படுத்த, படங்களின் அளவு தானாக மாற்றப்படுகிறது.

பதிவேற்றிய PDF கோப்புகள் 110,000 டோக்கன் வரம்பைத் தாண்டும்போது, படங்களும் உரையும் தனிப்பட்ட தேடல் குறியீட்டில் பொதிக்கப்படுகின்றன. உரைப் பொதிவுகள் தொடர்புடைய படங்களைக் குறிப்பிடுவதால், பயனரின் கேள்விகளுக்கு ஏற்ற உரை-பட இணைகளை ChatGPT மீட்டெடுக்க முடிகிறது. பின்னர், மீட்டெடுக்கப்பட்ட படங்கள் ChatGPT-இன் உள்ளார்ந்த பன்முகத் தரவுச் செயலாக்கத் திறன்களைக் கொண்டு செயலாக்கப்படுகின்றன.

பல்லூடக PDF கோப்புகளுக்குத் தேவையான டோக்கன்களின் எண்ணிக்கையைத் துல்லியமாக மதிப்பிடுவது சவாலானது. உரையும் படங்களும் கலந்த சுமார் 350 பக்கங்கள், 110,000 டோக்கன் சூழல் சாளரத்தை முழுமையாகப் பயன்படுத்தும் எனச் சோதனைகள் காட்டுகின்றன.

மாடல் வகையின் அடிப்படையிலான தேடல் உத்திகள்

GPT-தொடர் மற்றும் o-தொடர் மாடல்கள் இரண்டும் கோப்பு பதிவேற்றங்களை ஆதரிக்கின்றன மற்றும் ஒரே மாதிரியான சூழல் ஸ்டஃபிங் மற்றும் தேடல் எம்பெடிங் தர்க்கத்தைப் பயன்படுத்துகின்றன. அனைத்து மாடல்களும் தனிப்பட்ட தேடல் குறியீட்டில் ஹைபிரிட் தேடல்களைச் செயல்படுத்துகின்றன, இதில் முக்கியச்சொல் மற்றும் அர்த்தவியல் முறைகள் இணைக்கப்படுகின்றன. ஹைபிரிட் தேடலில், மாடல் பயனரின் ப்ராம்ப்டின் அடிப்படையில் ஒரு தேடல் சொற்றொடரை உருவாக்குகிறது, மேலும் தனிப்பட்ட தேடல் குறியீடு அதன்படி தொடர்புடைய உரை மற்றும் படங்களை மீட்டெடுக்கிறது.

இருப்பினும், சூழல் சாளரத்தை மீறும் பெரிய ஆவணங்களில் தேடுவது எப்படி என்பதில் இந்த மாடல்கள் வேறுபடுகின்றன:

GPT-தொடர் மாடல்கள்

• ஒவ்வொரு ப்ராம்ப்ட்டிற்கும் ஒரு தேடல்: GPT-தொடர் மாடல்கள் ஒவ்வொரு பயனர் ப்ராம்ப்ட்டிற்கும் ஒரு தேடலை மேற்கொள்ளும்.

• பயனுள்ள பயன்பாடுகள்: விரிவான ஆவணங்களில் உள்ள நேரடியான கேள்விகளுக்குப் பதிலளிக்க ஏற்றது.

எடுத்துக்காட்டு வினவல்கள்:

• "முன்கூட்டிய ஓய்வுக்கான மனிதவளக் கொள்கை என்ன?"

• "process_order செயல்பாடு என்ன செய்கிறது?"

ஓ-தொடர் மாடல்கள்

• ஒவ்வொரு ப்ராம்ப்ட்டிற்கும் பல தேடல்கள்: ஒவ்வொரு பயனர் ப்ராம்ப்ட்டிற்கும் தனித்துவமான தேடல் சொற்றொடர்களைப் பயன்படுத்திப் பல தேடல்களை, பொதுவாக 2-3 தேடல்களை, மேற்கொள்ள முடியும். தேடல்கள் ஒன்றன்பின் ஒன்றாக மேற்கொள்ளப்படுகின்றன. முந்தைய தேடல்களில் கிடைத்த தகவல்களின் அடிப்படையில் மாடல் தனது அணுகுமுறையை மாற்றிக்கொள்ளலாம்.

• பயனுள்ள பயன்பாடுகள்: விரிவான ஆவணங்களில் பல இலக்கிடப்பட்ட தேடல்கள் தேவைப்படும் சிக்கலான கேள்விகளுக்கு மிகவும் பொருத்தமானது.

எடுத்துக்காட்டு வினவல்கள்:

• "முன்கூட்டிய ஓய்வு, பெற்றோர் விடுப்பு மற்றும் வெளிநாட்டுப் பணியிட மாற்றத்திற்கான மனிதவளக் கொள்கைகள் என்ன?"

• "process_order செயல்பாடு என்ன செய்கிறது என்பதை விளக்கி, அது அழைக்கும் அனைத்து வழிமுறைகளையும் பட்டியலிட்டு, ஒவ்வொன்றையும் சுருக்கமாக விவரிக்கவும்."

இவற்றின் பலம் இருந்தாலும், மூன்றுக்கும் மேற்பட்ட தேடல்கள் தேவைப்படும் வினவல்களில் ஓ-தொடர் மாடல்கள் சிரமப்படக்கூடும்.

கோப்பு தேடல் முடிவுகளை மேம்படுத்தும் குறிப்புகள்

• பல தேடல்கள் தேவைப்படும் சிக்கலான கேள்விகளுக்கு o-தொடர் மாடலைப் பயன்படுத்த முயற்சிக்கவும்.

• நீங்கள் பதிவேற்றும் ஆவணங்களின் வகை, எண்ணிக்கை, மற்றும் அளவைப் பொறுத்து பதில்கள் மாறுபடலாம் என்பதை நினைவில் கொள்ளுங்கள்.

• பொதுவாக, குறைந்த எண்ணிக்கையிலான, கவனம் செலுத்தப்பட்ட ஆவணங்களை ஏற்றுவது அதிக துல்லியத்திற்கு வழிவகுக்கும்.

• பல-கேள்வி தலைப்புகளை ஒற்றைக் கேள்விகளாக மாற்றவும்:

  • ஒவ்வொரு மாநிலத்தின் HR கொள்கைகளையும் அறிய வேண்டுமெனில், அவற்றை ஒவ்வொன்றாகக் கேளுங்கள்.

  • பல ஆவணங்களை சுருக்க வேண்டுமெனில், ஒரே நேரத்தில் ஒரு ஆவணத்தைக் கேளுங்கள். அந்த ஆவணம் பல நூறு பக்கங்கள் கொண்டதாக இருந்தால், அதை சிறிய கூறுகளாகப் பிரிப்பதைப் பரிசீலிக்கவும்.

    • முழு ஆவணங்களுக்குப் பதிலாக பல சுருக்கங்களை நீங்கள் வழங்கினால், ChatGPT Enterprise-ஐ “சுருக்கங்களின் சுருக்கம்” எழுதச் சொல்லலாம்.

  • உங்களிடம் RFP-இன் CSV இருந்தால் (ஒவ்வொரு வரியும் வேறு கேள்வி), CSV-ஐ ஏற்றி ஒரு பதிலை கோருவதற்குப் பதிலாக அந்தக் கேள்விகளை ஒவ்வொன்றாகக் கேளுங்கள்.

• மாடலின் பதில்களைத் தணிக்கை செய்வதற்கான வழிகளை கண்டறியவும். எடுத்துக்காட்டு GPT வழிமுறைகள் கீழே உள்ளன: