ప్రాంప్ట్‌లలో చేర్చిన PDF ఫైళ్లలోని దృశ్యాలను (చిత్రాలు, గ్రాఫ్‌లు, రేఖాచిత్రాలు మొదలైనవి) చదివి అర్థం చేసుకునే సామర్థ్యం ఇప్పుడు ChatGPT Enterpriseలో అందుబాటులో ఉంది. వినియోగదారులు PDFను అప్‌లోడ్ చేస్తే, అందులోని టెక్స్ట్‌ను మాత్రమే కాకుండా దృశ్య అంశాలను కూడా ChatGPT అర్థం చేసుకోగలదు.
వివరాల కోసం చూడండి: PDFల నుంచి దృశ్య సమాచార వెలికితీతపై తరచుగా అడిగే ప్రశ్నలు.
ChatGPT Enterpriseలో అనేక విధాలుగా ఫైళ్లను అప్‌లోడ్ చేయవచ్చు:
నేరుగా మీ కంప్యూటర్ నుంచి
GPT చర్య నుంచి
ఫైళ్ల రకం, సంఖ్య, పరిమాణాన్ని బట్టి ChatGPT Enterprise ఫీచర్‌లు వాటిని ఎలా నిర్వహిస్తాయో ఈ మార్గదర్శిని వివరిస్తుంది. ఫైళ్ల అవసరాలకు అనుగుణంగా ఫలితాలను మెరుగుపరిచే వ్యూహాలను కూడా చర్చిస్తుంది.
సారాంశం
వేర్వేరు రకాల ఫైళ్లను ChatGPT Enterprise చాలా భిన్నమైన విధానాల్లో నిర్వహిస్తుంది: PDFలు, ప్రెజెంటేషన్‌లు, వర్డ్ ఫైళ్ల వంటి పత్రాల నుంచి టెక్స్ట్‌ను సంగ్రహిస్తుంది; స్ప్రెడ్‌షీట్‌లలోని నిర్మిత డేటాను పైథాన్ కోడ్‌తో విశ్లేషిస్తుంది; GPT-Vision ద్వారా చిత్ర ఫైళ్లను వర్ణిస్తుంది. ఆశించిన ఫలితాన్ని పొందాలంటే, ఏ రకం ఫైల్‌కు ఏ కార్యవిధానం అమలవుతుందో అర్థం చేసుకోవడం ముఖ్యం.
పాఠ్య ఆధారిత పత్రాల విషయంలో, ChatGPT Enterprise వీలైనంత సంబంధిత టెక్స్ట్‌ను నేరుగా ప్రాంప్ట్‌తో పాటు చేర్చి, అదనపు సమాచారం కోసం శోధన వ్యవస్థను ఉపయోగిస్తుంది. నిర్దిష్ట ప్రశ్నలకు సమాధానాలు ఇవ్వడానికి ఇది బాగా పనిచేస్తుంది. అయితే, చాలా పెద్ద పత్రాల సారాంశాన్ని రూపొందించడం లేదా అనేక పెద్ద ఫైళ్లను పోల్చడం వంటి క్లిష్టమైన పనుల్లో ఈ విధానం ఇబ్బందులను ఎదుర్కోవచ్చు. మీ ఫలితాలను మెరుగుపరిచే వ్యూహాలను తెలుసుకోవడానికి ముందుకు చదవండి.
ఫైళ్ల రకాన్ని బట్టి వాటిని నిర్వహించడం
ChatGPT Enterprise మూడు ప్రధాన విధానాల్లో ఫైళ్లను ప్రాసెస్ చేస్తుంది: టెక్స్ట్‌ను సంగ్రహించడం, కోడ్‌తో విశ్లేషించడం, చిత్రాలను అర్థం చేసుకోవడం. ChatGPT Enterprise ఏ కార్యవిధానాన్ని అనుసరిస్తుందనేది ఫైల్ రకంపై ఆధారపడి ఉంటుంది.
| పాఠ్య ఆధారిత సమాచార వెలికితీత | కోడ్ ఇంటర్‌ప్రెటర్ | చిత్రాల ప్రాసెసింగ్ | దృశ్య సమాచార వెలికితీత | |
|---|---|---|---|---|
| ఫైల్ రకాల ఉదాహరణలు | pptx, docx, txt, md, json, xml, pdf* * GPT పరిజ్ఞానంగా లేదా ప్రాజెక్ట్ ఫైళ్లగా అప్‌లోడ్ చేసిన PDFలు | csv, xls, xlsx* *గమనిక: కోడ్ ఇంటర్‌ప్రెటర్ ఏ రకం ఫైల్‌పైనైనా పని చేయగలదు. అయితే, స్ప్రెడ్‌షీట్‌ల కోసం ChatGPT Enterprise సాధారణంగా కోడ్ ఇంటర్‌ప్రెటర్‌నే ఉపయోగిస్తుంది. | jpg, png | pdf* * వినియోగదారుల ప్రాంప్ట్‌లలో చేర్చిన PDFలు |
| పనిచేసే విధానం | ఫైల్ నుంచి టెక్స్ట్‌ను సంగ్రహిస్తుంది – కొంత టెక్స్ట్‌ను నేరుగా కాంటెక్స్ట్ విండోలో అతికిస్తుంది (“నింపుతుంది”); మరికొంత టెక్స్ట్‌ను శోధన కోసం నిల్వ చేస్తుంది. | ప్రాసెసింగ్ కోసం కోడ్ ఇంటర్‌ప్రెటర్ ఫైల్‌ను పైథాన్‌కు పంపుతుంది. | తెలిసిన పరిమితులకు లోబడి, మల్టీ-మోడల్ మోడల్‌లు తమ అంతర్నిర్మిత సామర్థ్యాలతో చిత్రాలను అర్థం చేసుకుంటాయి. | టెక్స్ట్ వెలికితీత, చిత్రాల ప్రాసెసింగ్ కలగలిసిన విధానం. టెక్స్ట్ డిజిటల్‌గా సంగ్రహించబడుతుంది; దృశ్య కంటెంట్‌ను మల్టీ-మోడల్ మోడల్‌లు తమ అంతర్నిర్మిత సామర్థ్యాలతో అర్థం చేసుకుంటాయి. |
టెక్స్ట్ మాత్రమే ఉన్న ఫైళ్లు, చిత్ర ఫైళ్లు లేదా స్పష్టమైన నిర్మాణం గల డేటా ఫైళ్లకు (ఉదా., లావాదేవీల ఎక్సెల్ పట్టిక), ఇలా వర్గాలవారీగా వేర్వేరు విధానాలను అనుసరించడం ఉత్తమ ఫలితాలను ఇస్తుంది.
కొన్ని సందర్భాల్లో ఏ విధానం వర్తిస్తుందో అంత స్పష్టంగా ఉండకపోవచ్చు. ఉదాహరణకు:
PDFలు కాని ఇతర ఫైళ్లలో పొందుపరిచిన చిత్రాలు ప్రాసెస్ చేయబడవు. వాటిని చేర్చడానికి, అప్‌లోడ్ చేసే ముందు ఫైల్‌ను PDFగా మార్చండి.
స్ప్రెడ్‌షీట్‌లతో పని చేయడానికి ChatGPT Enterprise ఎల్లప్పుడూ కోడ్ ఇంటర్‌ప్రెటర్‌నే ఉపయోగిస్తుంది. పత్రంలో పెద్ద మొత్తంలో టెక్స్ట్ ఉన్నా ఇదే వర్తిస్తుంది. ఉదాహరణకు, 10 వరుసల టెక్స్ట్ ఉన్న CSV ఫైల్‌ను అనువదించమని ChatGPT Enterpriseను అడిగితే, అది పైథాన్ లైబ్రరీని ఉపయోగించి ఫైల్‌ను అనువదించడానికి ప్రయత్నిస్తుంది. నేరుగా మోడల్‌తో అనువాదాన్ని రూపొందించడం కంటే ఈ విధానంలో ఖచ్చితత్వం తక్కువగా ఉంటుంది. ఈ సమస్యను తగ్గించడానికి, స్ప్రెడ్‌షీట్‌ను పాఠ్య ఆధారిత ఫార్మాట్‌లోకి (ఉదాహరణకు, PDF) ఎగుమతి చేసి చూడండి.
అదేవిధంగా, JSON ఫైల్‌లో ఉన్న నిర్మిత లావాదేవీల పట్టికను అప్‌లోడ్ చేస్తే, ChatGPT Enterprise ఆ ఫైల్‌ను సాధారణ టెక్స్ట్‌గా పరిగణిస్తుంది. JSON ఫైల్‌లోని డేటాను విశ్లేషించాలనుకుంటే, కోడ్ ఇంటర్‌ప్రెటర్‌ను ఉపయోగించమని మీ ప్రాంప్ట్‌లో మోడల్‌కు సూచించండి.
పరిమాణం ఆధారంగా ఫైల్‌ల నిర్వహణ
ChatGPT Enterprise గరిష్ఠంగా 128k టోకెన్‌ల కాంటెక్స్ట్ విండో (సుమారు 200 పేజీల పాఠ్యం) ఉన్న మోడల్‌లను ఉపయోగిస్తుంది. అయితే, అప్‌లోడ్ చేసిన ఫైల్‌లలోని పాఠ్యాన్ని చేర్చడానికి అన్ని టోకెన్‌లు ఉపయోగించబడవు. “నింపబడిన” టోకెన్‌ల సంఖ్య వినియోగ రకాన్ని బట్టి మారుతుంది.
ChatGPT Enterprise కొంత పరిమాణంలోని పాఠ్యాన్ని “నింపుతుంది”, మిగిలిన పాఠ్యం ప్రైవేట్ సెర్చ్ ఇండెక్స్‌కు (“వెక్టర్ స్టోర్”, అంటే పెద్ద పరిమాణాల పాఠ్యాన్ని సమర్థంగా నిల్వ చేసి తిరిగి పొందడానికి రూపొందించిన ఒక రకమైన డేటాబేస్) పంపబడుతుంది. మీరు ప్రశ్న అడిగినప్పుడు, చేర్చిన పాఠ్యంతో పాటు ప్రైవేట్ సెర్చ్ ఇండెక్స్ నుండి తిరిగి పొందిన సంబంధిత భాగాలను ChatGPT Enterprise తీసుకువస్తుంది.
మీరు ఒకే డాక్యుమెంట్‌ను అప్‌లోడ్ చేస్తే, ChatGPT Enterprise ప్రారంభం నుండి మొదలుకుని తన పరిమితిని చేరుకునే వరకు పాఠ్యాన్ని చేర్చుతుంది. మీరు బహుళ డాక్యుమెంట్‌లను అప్‌లోడ్ చేస్తే, ChatGPT Enterprise ప్రతి డాక్యుమెంట్‌లో కొంత లేదా మొత్తం భాగాన్ని చేర్చుతుంది. డాక్యుమెంట్‌లలోని మొత్తం పాఠ్యం కూడా ప్రైవేట్ సెర్చ్ ఇండెక్స్‌కు పంపబడుతుంది.
టెక్స్ట్ డాక్యుమెంట్‌ల కోసం కాంటెక్స్ట్ స్టఫింగ్
ఈ ఫీచర్ ప్రస్తుతం సక్రియ అభివృద్ధిలో ఉంది. అందువల్ల, క్రింద ఇచ్చిన వివరాలు ముందస్తు సూచన లేకుండా మారవచ్చు.
అప్‌లోడ్ చేసిన పత్రాల నుంచి 110 వేల టోకెన్‌ల వరకు ChatGPT Enterprise కాంటెక్స్ట్ విండోలో ప్రాసెస్ చేయగలదు. మీరు అప్‌లోడ్ చేసే ఒకటి లేదా అంతకంటే ఎక్కువ పత్రాల్లో మొత్తం టోకెన్‌ల సంఖ్య 110 వేల కంటే తక్కువగా ఉంటే, వాటిలోని పూర్తి కంటెంట్ చేర్చబడుతుంది.
ఒకే పత్రంలో 110 వేల కంటే ఎక్కువ టోకెన్‌లు ఉంటే, పత్రం ప్రారంభం నుంచి మొదటి 110 వేల టోకెన్‌లు మాత్రమే చేర్చబడతాయి. మిగిలిన భాగం ప్రైవేట్ శోధన సూచికకు మాత్రమే పంపబడుతుంది.
అనేక పత్రాలను అప్‌లోడ్ చేసి, వాటిలోని మొత్తం టోకెన్‌ల సంఖ్య 110 వేలు దాటితే, ప్రతి పత్రానికి తగిన ప్రాతినిధ్యం కల్పించేందుకు ChatGPT Enterprise ఈ విధానాన్ని అనుసరిస్తుంది:
అప్‌లోడ్ చేసిన పత్రాలన్నింటి నుంచి సమానంగా తీసుకుంటూ, మొత్తం 55 వేల వరకు టోకెన్‌లను సంగ్రహిస్తుంది.
మొదటి దశలో పూర్తిగా చేర్చని పత్రాలకు, ప్రతి పత్రంలో మిగిలిన టోకెన్‌ల సంఖ్యకు అనుపాతంగా మిగతా 55 వేల టోకెన్‌లను కేటాయిస్తుంది.
ఇంకా మిగిలి ఉన్న టోకెన్‌లు ప్రైవేట్ శోధన సూచికకు మాత్రమే పంపబడతాయి.
పాఠ్య పత్రంలోని టెక్స్ట్‌ను కాపీ చేసి OpenAI టోకెనైజర్‌లో చేర్చడం ద్వారా ఆ పత్రంలోని టోకెన్‌ల సంఖ్యను అంచనా వేయవచ్చు.
మల్టీమీడియా PDFల కంటెంట్‌ను కాంటెక్స్ట్‌లో చేర్చడం
వినియోగదారులు టెక్స్ట్, చిత్రాలు రెండూ ఉన్న PDFలను అప్‌లోడ్ చేసినప్పుడు, డిజిటల్‌గా సంగ్రహించిన టెక్స్ట్‌తో పాటు ఆ చిత్రాలను కూడా ChatGPT నేరుగా ప్రాసెస్ చేసేలా దృశ్య సమాచార వెలికితీత వీలు కల్పిస్తుంది. మల్టీమీడియా PDFల కాంటెక్స్ట్‌ను నిర్వహించే మా ప్రామాణిక విధానాలకు ఈ కింది దశలు అదనంగా తోడవుతాయి:
చిత్రాల సంగ్రహణ, ఎంబెడింగ్: చిత్రాలను సంగ్రహించి, వాటికి సంబంధించిన డిజిటల్ టెక్స్ట్‌తో పాటు ఎంబెడ్ చేస్తారు.
తెలివైన పరిమాణ సర్దుబాటు: సమాచార నాణ్యతను కాపాడుతూనే అందుబాటులో ఉన్న కాంటెక్స్ట్ విండోను సమర్థంగా ఉపయోగించేలా చిత్రాల పరిమాణం స్వయంచాలకంగా సర్దుబాటు అవుతుంది.
అప్‌లోడ్ చేసిన PDFలు 110 వేల టోకెన్‌ల పరిమితిని మించినప్పుడు, చిత్రాలు, టెక్స్ట్ రెండూ ప్రైవేట్ శోధన సూచికలో ఎంబెడ్ చేయబడతాయి. టెక్స్ట్ ఎంబెడింగ్‌లు సంబంధిత చిత్రాలను సూచిస్తాయి. దాంతో వినియోగదారుల ప్రశ్నల ఆధారంగా తగిన టెక్స్ట్-చిత్ర జతలను ChatGPT వెలికితీయగలదు. అలా వెలికితీసిన చిత్రాలను ChatGPT తన అంతర్నిర్మిత మల్టీ-మోడల్ సామర్థ్యాలతో ప్రాసెస్ చేస్తుంది.
మల్టీమీడియా PDFలకు అవసరమయ్యే టోకెన్‌ల సంఖ్యను ఖచ్చితంగా అంచనా వేయడం కష్టం. టెక్స్ట్, చిత్రాలు కలగలిసిన సుమారు 350 పేజీలు 110 వేల టోకెన్‌ల కాంటెక్స్ట్ విండోను పూర్తిగా నింపుతాయని పరీక్షలు సూచిస్తున్నాయి.
మోడల్ రకం ఆధారంగా శోధన వ్యూహాలు
GPT-సిరీస్ మరియు o-సిరీస్ మోడల్‌లు రెండూ ఫైల్ అప్‌లోడ్‌లకు మద్దతు ఇస్తాయి మరియు ఒకే విధమైన కాంటెక్స్ట్ స్టఫింగ్, సెర్చ్ ఎంబెడింగ్ లాజిక్‌ను ఉపయోగిస్తాయి. అన్ని మోడల్‌లు ప్రైవేట్ సెర్చ్ ఇండెక్స్‌పై హైబ్రిడ్ శోధనలను అమలు చేస్తాయి, కీవర్డ్ మరియు సెమాంటిక్ పద్ధతులను కలిపి ఉపయోగిస్తాయి. హైబ్రిడ్ శోధనలో, యూజర్ ప్రాంప్ట్ ఆధారంగా మోడల్ ఒక శోధన పదబంధాన్ని రూపొందిస్తుంది, దానికి అనుగుణంగా ప్రైవేట్ సెర్చ్ ఇండెక్స్ సంబంధిత పాఠ్యం మరియు చిత్రాలను తిరిగి పొందుతుంది.
అయితే, కాంటెక్స్ట్ విండోను మించే పెద్ద డాక్యుమెంట్‌లలో ఇవి ఎలా శోధిస్తాయనే విషయంలో ఈ మోడల్‌లు భిన్నంగా ఉంటాయి:
GPT-సిరీస్ మోడళ్లు
ప్రతి ప్రాంప్ట్‌కు ఒకే శోధన: GPT-సిరీస్ మోడళ్లు ప్రతి వినియోగదారు ప్రాంప్ట్‌కు ఒక శోధన చేస్తాయి.
సమర్థవంతమైన వినియోగ సందర్భాలు: విస్తృతమైన డాక్యుమెంటేషన్‌లోని సూటిగా ఉండే ప్రశ్నలకు సమాధానమివ్వడానికి అనువైనవి.
ఉదాహరణ ప్రశ్నలు:
"ముందస్తు పదవీ విరమణకు సంబంధించిన మానవ వనరుల విధానం ఏమిటి?"
"process_order ఫంక్షన్ ఏమి చేస్తుంది?"
ఓ-సిరీస్ మోడళ్లు
ప్రతి ప్రాంప్ట్‌కు పలు శోధనలు: ప్రతి వినియోగదారు ప్రాంప్ట్‌కు ప్రత్యేక శోధన పదబంధంతో సాధారణంగా 2-3 శోధనలు చేయగలవు. శోధనలు వరుసగా జరుగుతాయి. గత శోధనల్లో లభించిన సమాచారం ఆధారంగా మోడల్ తన విధానాన్ని మార్చుకోగలదు.
సమర్థవంతమైన వినియోగ సందర్భాలు: విస్తృతమైన డాక్యుమెంటేషన్‌లో లక్ష్యిత శోధనలు పలుమార్లు చేయాల్సిన సంక్లిష్ట ప్రశ్నలకు మరింత అనుకూలం.
ఉదాహరణ ప్రశ్నలు:
"ముందస్తు పదవీ విరమణ, తల్లిదండ్రుల సెలవు, విదేశీ బదిలీకి సంబంధించిన మానవ వనరుల విధానాలు ఏమిటి?"
"process_order ఫంక్షన్ ఏమి చేస్తుందో వివరించి, అది అమలు చేసే అన్ని మెథడ్‌లను జాబితా చేసి, వాటిలో ప్రతిదాన్నీ క్లుప్తంగా వివరించండి."
ఓ-సిరీస్ మోడళ్లకు అనేక సామర్థ్యాలు ఉన్నప్పటికీ, ఒక ప్రశ్నకు మూడు కంటే ఎక్కువ శోధనలు అవసరమైనప్పుడు అవి ఇబ్బంది పడవచ్చు.
ఫైల్ శోధన ఫలితాలను మెరుగుపరచడానికి చిట్కాలు
బహుళ శోధనలు అవసరమయ్యే సంక్లిష్ట ప్రశ్నల కోసం o-సిరీస్ మోడల్‌ను ఉపయోగించి చూడండి.
మీరు అప్‌లోడ్ చేసే డాక్యుమెంట్‌ల రకం, సంఖ్య మరియు పరిమాణం ఆధారంగా ప్రతిస్పందనలు మారవచ్చని గుర్తుంచుకోండి.
సాధారణంగా, తక్కువ సంఖ్యలో, కేంద్రీకృత డాక్యుమెంట్‌లను లోడ్ చేయడం అధిక ఖచ్చితత్వానికి దారి తీస్తుంది.
బహుళ-ప్రశ్న అంశాలను ఒక్కో ప్రశ్నగా మార్చండి:
ప్రతి రాష్ట్రం యొక్క HR విధానాలు మీకు తెలుసుకోవాలి అనుకుంటే, వాటిని ఒక్కొక్కటిగా అడగండి.
అనేక డాక్యుమెంట్‌లను సంక్షిప్తీకరించాల్సి ఉంటే, ఒకేసారి ఒక డాక్యుమెంట్ కోసం అడగండి. ఆ డాక్యుమెంట్ అనేక వందల పేజీలుగా ఉంటే, దాన్ని చిన్న భాగాలుగా విభజించడం గురించి ఆలోచించండి.
మొత్తం డాక్యుమెంట్‌ల బదులుగా బహుళ సారాంశాలను ఇచ్చినట్లయితే, “సారాంశాల సారాంశం” రాయమని మీరు ChatGPT Enterpriseను అడగవచ్చు.
మీ వద్ద RFP యొక్క CSV ఉంటే (ప్రతి లైన్ వేరే ప్రశ్న), CSVను లోడ్ చేసి ఒకే సమాధానం కోరడం బదులుగా ఆ ప్రశ్నలను ఒక్కొక్కటిగా అడగండి.
మోడల్ ప్రతిస్పందనలను ఆడిట్ చేయడానికి మార్గాలను కనుగొనండి. ఉదాహరణ GPT సూచనలు క్రింద ఉన్నాయి:
# Context
మీరు డాక్యుమెంట్‌లను అర్థం చేసుకోవడంలో నిపుణులు. వినియోగదారు ఒక డాక్యుమెంట్‌ను జత చేసి ఒక ప్రశ్న అడుగుతారు. మీ సమాధానం మీరు తీసుకున్న పాఠ్యంలో ఏ ఖచ్చితమైన భాగానికి సంబంధించినదో వారు తిరిగి అనుసంధానించగలగాలి.
# Instructions
1. క్రింద ఇచ్చిన ఖచ్చితమైన ఫార్మాట్‌ను ఉపయోగించి, వినియోగదారి ప్రశ్నకు వారి జతచేసిన డాక్యుమెంట్ ఆధారంగా సమాధానం ఇవ్వండి.
# Format
- Question: { వినియోగదారి ప్రశ్నను పునరావృతం చేయండి }
- Answer: { వినియోగదారి ప్రశ్నకు సమాధానం ఇవ్వండి }
Source:
- - Section Number: { మీరు సమాధానం తీసుకున్న విభాగ సంఖ్యను ఇవ్వండి }
- - Section Title: { మీరు సమాధానం తీసుకున్న విభాగ శీర్షికను ఇవ్వండి }
- - Exact Text: { మీరు సమాధానం తీసుకున్న ఖచ్చితమైన పాఠ్యాన్ని ఇవ్వండి }
# Rules
- స్పష్టమైన మరియు సంక్షిప్తమైన సమాధానాలు ఇవ్వండి.
- డాక్యుమెంట్‌లో ఇచ్చిన సమాచారాన్ని మాత్రమే అందించండి.
- డాక్యుమెంట్‌లో సమాధానం కనుగొనలేకపోతే, సాదాసీదాగా "సమాచారం దొరకలేదు." అని సమాధానం ఇవ్వండి.