ChatGPT Enterprise இப்போது ப்ராம்ப்ட்களில் சேர்க்கப்பட்டுள்ள PDF கோப்புகளில் உட்பொதிக்கப்பட்ட காட்சிகளை (படங்கள், வரைபடங்கள், விளக்கப்படங்கள் போன்றவை) வாசித்து புரிந்துகொள்ள ஆதரிக்கிறது. பயனர்கள் PDF ஒன்றைப் பதிவேற்றலாம், மேலும் அந்தக் கோப்பிலுள்ள உரை மற்றும் எந்த காட்சி கூறுகளையும் ChatGPT விளக்க முடியும்.
விவரங்களுக்கு PDFகளுடன் காட்சி மீட்டெடுப்பு FAQ. என்பதைப் பார்க்கவும்
ChatGPT Enterprise பல வழிகளில் கோப்புகளைப் பதிவேற்ற அனுமதிக்கிறது:
உங்கள் கணினியிலிருந்து நேரடியாக
Google Drive / SharePoint / OneDrive இலிருந்து
GPT அறிவு ஆக
GPT செயல் இலிருந்து
கோப்புகளின் வகை, எண்ணிக்கை, மற்றும் அளவை அடிப்படையாகக் கொண்டு ChatGPT Enterprise அம்சங்கள் கோப்புகளை எவ்வாறு கையாளுகின்றன என்பதை இந்த வழிகாட்டி விளக்குகிறது, மேலும் கோப்பு தேவைகளின் அடிப்படையில் வெளியீடுகளை மேம்படுத்தும் உத்திகளையும் விவாதிக்கிறது.
சுருக்கம்
ChatGPT Enterprise வெவ்வேறு கோப்பு வகைகளை மிகவும் வேறுபட்ட முறையில் கையாளுகிறது: PDFகள், பிரெசென்டேஷன்கள், மற்றும் Word கோப்புகள் போன்ற உரை ஆவணங்களிலிருந்து உரையைப் பிரித்தெடுக்கிறது, Python கோடைக் கொண்டு ஸ்பிரெட்ஷீட்களிலிருந்து கட்டமைக்கப்பட்ட தரவை பகுப்பாய்வு செய்கிறது, மேலும் GPT-Vision மூலம் படக் கோப்புகளை விவரிக்கிறது. எந்த கோப்பு வகை எந்த வேலைப்பாய்வைத் தூண்டுகிறது என்பதைப் புரிந்துகொள்வது எதிர்பார்க்கப்படும் முடிவைப் பெறுவதற்கு முக்கியமானது.
உரை அடிப்படையிலான ஆவணங்களுக்கு, ChatGPT Enterprise ப்ராம்ப்டுடன் நேரடியாக முடிந்தவரை அதிக தொடர்புடைய உரையைச் சேர்க்கிறது, மேலும் கூடுதல் தகவலை அணுக தேடல் அமைப்பைப் பயன்படுத்துகிறது. குறிப்பிட்ட கேள்விகளுக்கு பதிலளிக்க இது நன்றாகச் செயல்படுகிறது. இருப்பினும், மிகப் பெரிய ஆவணங்களை சுருக்குவது அல்லது பல பெரிய கோப்புகளை ஒப்பிடுவது போன்ற சிக்கலான பணிகளில் இந்த அணுகுமுறை சிரமப்படலாம். உங்கள் முடிவுகளை மேம்படுத்தும் உத்திகளைப் புரிந்துகொள்ள தொடர்ந்து படிக்கவும்.
வகையின் அடிப்படையில் கோப்புகளைக் கையாளுதல்
ChatGPT Enterprise கோப்புகளை மூன்று முக்கிய வழிகளில் செயலாக்குகிறது: உரை பிரித்தெடுத்தல், கோடு பகுப்பாய்வு, மற்றும் பட விளக்கம். ChatGPT Enterprise எந்த வேலைப்பாய்வைப் பின்பற்றுகிறது என்பதை கோப்பு வகை தீர்மானிக்கிறது.
| உரை அடிப்படையிலான மீட்டெடுப்பு | கோட் இன்டர்பிரிட்டர் | பட செயலாக்கம் | காட்சி மீட்டெடுப்பு | |
|---|---|---|---|---|
| கோப்பு வகை எடுத்துக்காட்டுகள் | pptx, docx, txt, md, json, xml, pdf* * GPT அறிவு அல்லது திட்டக் கோப்புகள் ஆக பதிவேற்றப்பட்ட PDFகள் | csv, xls, xlsx* *குறிப்பு: கோட் இன்டர்பிரிட்டர் எந்த கோப்பு வகையிலும் செயல்பட முடியும், ஆனால் ஸ்பிரெட்ஷீட்களுக்கு ChatGPT Enterprise பொதுவாக CI-ஐ இயல்புநிலையாகப் பயன்படுத்துகிறது | jpg, png | pdf* * பயனர் ப்ராம்ப்ட்களில் சேர்க்கப்பட்ட PDFகள் |
| நடத்தை | கோப்பிலிருந்து உரையைப் பிரித்தெடுக்கிறது – சில உரை நேரடியாக சூழல் சாளரத்தில் ஒட்டப்படுகிறது (“ஸ்டஃப்” செய்யப்படுகிறது); சில உரை தேடலுக்காக சேமிக்கப்படுகிறது | கோட் இன்டர்பிரிட்டர் கோப்பை செயலாக்கத்திற்காக Python-க்கு அனுப்புகிறது | படங்கள் மல்டி-மோடல் மாடல்களால் இயல்பாக விளக்கப்படுகின்றன; அவை அறியப்பட்ட வரம்புகள் க்கு உட்பட்டவை. | உரை மீட்டெடுப்பு மற்றும் பட செயலாக்கத்தின் ஹைபிரிட். உரை டிஜிட்டலாகப் பிரித்தெடுக்கப்படுகிறது, மேலும் காட்சி உள்ளடக்கம் மல்டி-மோடல் மாடல்களால் இயல்பாக விளக்கப்படுகிறது. |
உரை-மட்டும் கோப்புகள், படக் கோப்புகள், அல்லது தெளிவாக கட்டமைக்கப்பட்ட தரவுக் கோப்புகள் (எ.கா., பரிவர்த்தனைகளின் Excel அட்டவணை) ஆகியவற்றுக்கு, இந்தப் பிரிவுகள் சாத்தியமான சிறந்த நடத்தையை பிரதிநிதித்துவப்படுத்துகின்றன.
அவ்வளவு வெளிப்படையாக இல்லாத சில இடைநிலைக் பகுதிகள் உள்ளன, எடுத்துக்காட்டாக:
PDFகளைத் தவிர பிற கோப்புகளில் உட்பொதிக்கப்பட்ட படங்கள் செயலாக்கப்படுவதில்லை. அவற்றைச் சேர்க்க, பதிவேற்றுவதற்கு முன் கோப்பை PDF ஆக மாற்றவும்.
ஆவணத்தில் அதிக அளவு உரை இருந்தாலும், ஸ்பிரெட்ஷீட்களுடன் தொடர்புகொள்ள ChatGPT Enterprise எப்போதும் கோட் இன்டர்பிரிட்டரைப் பயன்படுத்தும். எடுத்துக்காட்டாக, 10 வரி உரையுள்ள CSV கோப்பை மொழிபெயர்க்க ChatGPT Enterprise-ஐ நீங்கள் கேட்டால், அது Python நூலகத்தைப் பயன்படுத்தி கோப்பை மொழிபெயர்க்க முயற்சிக்கும்; இது மாடலை நேரடியாக மொழிபெயர்ப்பு உருவாக்க அனுமதிப்பதைவிட குறைவான துல்லியமுள்ளது. இதைத் தணிக்க, ஸ்பிரெட்ஷீட்டை உரை அடிப்படையிலான வடிவத்திற்கு (உதாரணமாக PDF) ஏற்றுமதி செய்ய முயற்சிக்கவும்.
அதேபோல், JSON கோப்பில் உள்ளதாக விவரிக்கப்பட்டுள்ள கட்டமைக்கப்பட்ட பரிவர்த்தனை அட்டவணையை நீங்கள் பதிவேற்றினால், ChatGPT Enterprise இந்தக் கோப்பை சாதாரண உரையாக விளக்கும். JSON கோப்பில் உள்ள தரவை பகுப்பாய்வு செய்ய விரும்பினால், உங்கள் ப்ராம்ப்டில் கோட் இன்டர்பிரிட்டரைப் பயன்படுத்துமாறு 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
இந்த அம்சம் தற்போது செயலில் உள்ள மேம்பாட்டில் உள்ளது. எனவே, கீழ்க்காணும் விவரங்கள் முன் அறிவிப்பின்றி மாற்றப்படலாம்.
ChatGPT Enterprise பதிவேற்றப்பட்ட ஆவணங்களிலிருந்து 110k டோக்கன்கள் வரை சூழல் சாளரத்தில் செயலாக்க முடியும். மொத்தமாக 110k டோக்கன்களுக்கு குறைவான ஒன்று அல்லது அதற்கு மேற்பட்ட ஆவணங்களை நீங்கள் பதிவேற்றினால், முழு உள்ளடக்கமும் சேர்க்கப்படும்.
110k டோக்கன்களை மீறும் ஒரே ஆவணத்திற்கு, தொடக்கத்திலிருந்து முதல் 110k டோக்கன்கள் மட்டுமே சேர்க்கப்படும். மீதமுள்ளவை தனிப்பட்ட தேடல் குறியீட்டுக்கு மட்டுமே அனுப்பப்படும்.
பல ஆவணங்கள் பதிவேற்றப்பட்டு அவற்றின் மொத்தம் 110k டோக்கன்களை மீறினால், ஆவண பிரதிநிதித்துவத்தை சமநிலைப்படுத்த ChatGPT Enterprise இரண்டு-படி செயல்முறையைப் பயன்படுத்துகிறது:
55k டோக்கன்கள் வரை பிரித்தெடுக்கவும்; அவை பதிவேற்றப்பட்ட ஆவணங்களுக்கிடையில் சமமாக பிரிக்கப்படும்.
முதல் படியில் முழுமையாக பிரதிநிதித்துவப்படுத்தப்படாத ஆவணங்களுக்கு, ஒவ்வொரு ஆவணத்திலும் மீதமுள்ள டோக்கன்களின் அடிப்படையில் மீதமுள்ள 55k டோக்கன்களை விகிதாசாரமாக ஒதுக்கவும்.
மீதமுள்ள எந்த டோக்கன்களும் தனிப்பட்ட தேடல் குறியீட்டுக்கு மட்டுமே அனுப்பப்படும்.
ஒரு உரை ஆவணத்தில் உள்ள டோக்கன்களின் எண்ணிக்கையை மதிப்பிட, ஆவணத்தின் உரையை OpenAI டோக்கனைசர் இல் நகலெடுக்கலாம்.
மல்டிமீடியா PDFகளுக்கான சூழல் ஸ்டஃபிங்
பயனர்கள் உரையும் படங்களும் கொண்ட PDFகளை பதிவேற்றும்போது, காட்சி மீட்டெடுப்பு டிஜிட்டலாக பிரித்தெடுக்கப்பட்ட உரையுடன் சேர்த்து இந்தப் படங்களை இயல்பாக செயலாக்க ChatGPT-க்கு உதவுகிறது. மல்டிமீடியா PDFகளுக்கான எங்கள் நிலையான சூழல்-கையாளுதல் நடைமுறைகளுக்கு பின்வரும் படிகள் துணைபுரிகின்றன:
படப் பிரித்தெடுப்பும் எம்பெடிங்கும்: படங்கள் அவற்றுடன் தொடர்புடைய டிஜிட்டல் உரையுடன் பிரித்தெடுக்கப்பட்டு எம்பெட் செய்யப்படுகின்றன.
நுண்ணறிவு அளவுமாற்றம்: தகவல் தரம் மற்றும் கிடைக்கும் சூழல் சாளரத்தின் திறமையான பயன்பாடு ஆகியவற்றுக்கு இடையில் சமநிலையைப் பராமரிக்க படங்கள் தானாக அளவுமாற்றப்படுகின்றன.
பதிவேற்றப்பட்ட PDFகள் 110k டோக்கன் வரம்பை மீறும்போது, படங்களும் உரையும் தனிப்பட்ட தேடல் குறியீட்டில் எம்பெட் செய்யப்படுகின்றன. உரை எம்பெடிங்குகள் தொடர்புடைய படங்களை மேற்கோளிடுகின்றன; இதனால் பயனர் வினவல்களின் அடிப்படையில் பொருத்தமான உரை-பட ஜோடிகளை ChatGPT மீட்டெடுக்க முடியும். மீட்டெடுக்கப்பட்ட படங்கள் பின்னர் ChatGPT-ன் இயல்பான மல்டிமோடல் திறன்களைப் பயன்படுத்தி செயலாக்கப்படுகின்றன.
மல்டிமீடியா PDFகளுக்கான டோக்கன் தேவைகளைத் துல்லியமாக மதிப்பிடுவது சவாலானது. கலந்த உரை மற்றும் படங்களைக் கொண்ட சுமார் 350 பக்கங்கள் 110k டோக்கன் சூழல் சாளரத்தை முழுமையாகப் பயன்படுத்தும் என்று 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
ஒரு ப்ராம்ப்டுக்கு ஒற்றைத் தேடல்: GPT-தொடர் மாடல்கள் ஒவ்வொரு பயனர் ப்ராம்ப்டிற்கும் ஒரு தேடலைச் செய்கின்றன.
பயனுள்ள பயன்பாட்டு நிகழ்வுகள்: விரிவான ஆவணங்களில் உள்ள நேரடியான கேள்விகளுக்கு பதிலளிக்க சிறந்தது.
எடுத்துக்காட்டு வினவல்கள்:
“முன்கூட்டிய ஓய்வுக்கான HR கொள்கை என்ன?”
“
process_orderசெயல்பாடு என்ன செய்கிறது?”
o-தொடர் மாடல்கள்
ஒரு ப்ராம்ப்டுக்கு பல தேடல்கள்: ஒவ்வொரு பயனர் ப்ராம்ப்டிற்கும் தனித்துவமான தேடல் சொற்றொடருடன் பல தேடல்களை (பொதுவாக 2-3) செயல்படுத்த முடியும். தேடல்கள் வரிசையாக செயல்படுத்தப்படுகின்றன, மேலும் முந்தைய தேடல்களில் பெறப்பட்ட தகவலின் அடிப்படையில் மாடல் தனது அணுகுமுறையைப் புதுப்பிக்க முடியும்.
பயனுள்ள பயன்பாட்டு நிகழ்வுகள்: விரிவான ஆவணங்களில் பல இலக்கிடப்பட்ட தேடல்கள் தேவைப்படும் சிக்கலான கேள்விகளுக்கு மிகவும் பொருத்தமானது.
எடுத்துக்காட்டு வினவல்கள்:
“முன்கூட்டிய ஓய்வு, பெற்றோர் விடுப்பு, மற்றும் வெளிநாட்டு இடமாற்றத்திற்கான HR கொள்கைகள் என்ன?”
“
process_orderசெயல்பாடு என்ன செய்கிறது என்பதை விளக்கி, இந்தச் செயல்பாடு அழைக்கும் அனைத்து முறைகளையும் பட்டியலிட்டு, அழைக்கப்படும் ஒவ்வொரு முறையையும் சுருக்கமாக விவரிக்கவும்.”
அவற்றின் வலிமைகள் இருந்தபோதிலும், ஒரு வினவலுக்கு மூன்றுக்கும் மேற்பட்ட தேடல்கள் தேவைப்பட்டால் o-தொடர் மாடல்கள் சிரமப்படலாம்.
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:
# சூழல்
நீங்கள் ஆவணங்களைப் புரிந்துகொள்வதில் நிபுணர். பயனர் ஒரு ஆவணத்தை இணைத்து ஒரு கேள்வியைக் கேட்கப் போகிறார். உங்கள் பதிலை நீங்கள் எடுத்த உரையின் எந்தத் துல்லியமான பகுதியுடன் இணைக்க முடியும் என்பதே அவர்களுக்கு தேவையாகும்.
# வழிமுறைகள்
1. கீழே கொடுக்கப்பட்டுள்ள துல்லியமான வடிவத்தை பயன்படுத்தி, பயனரின் இணைக்கப்பட்ட ஆவணத்தின் அடிப்படையில் அவர்களின் கேள்விக்குப் பதிலளிக்கவும்.
# வடிவம்
- கேள்வி: { பயனரின் கேள்வியை மீண்டும் இடவும் }
- பதில்: { பயனரின் கேள்விக்குப் பதில் வழங்கவும் }
Source:
- - பிரிவு எண்: { நீங்கள் பதிலை எடுத்த பிரிவு எண்ணை வழங்கவும் }
- - பிரிவு தலைப்பு: { நீங்கள் பதிலை எடுத்த பிரிவு தலைப்பை வழங்கவும் }
- - துல்லிய உரை: { நீங்கள் பதிலை எடுத்த துல்லிய உரையை வழங்கவும் }
# விதிகள்
- தெளிவான மற்றும் சுருக்கமான பதில்களை வழங்கவும்.
- ஆவணத்தில் வழங்கப்பட்ட தகவலை மட்டுமே வழங்கவும்.
- ஆவணத்தில் பதிலை கண்டுபிடிக்க முடியாவிட்டால், "தகவல் எதுவும் கிடைக்கவில்லை." என்று மட்டும் பதிலளிக்கவும்.