OpenAI
หน้านี้แปลด้วยระบบอัตโนมัติ ดูต้นฉบับภาษาอังกฤษ.

การอัปโหลดไฟล์ใน ChatGPT Enterprise ให้ได้ผลดีที่สุด

เรียนรู้วิธีที่ ChatGPT Enterprise จัดการไฟล์ตามประเภท จำนวน และขนาด รวมถึงวิธีปรับปรุงผลลัพธ์ให้ดีขึ้น

อัปเดตล่าสุด: 2 hours ago

ตอนนี้ ChatGPT Enterprise รองรับการอ่านและทำความเข้าใจเนื้อหาภาพ (รูปภาพ กราฟ แผนภาพ ฯลฯ) ที่ฝังอยู่ในไฟล์ PDF ที่แนบมากับพรอมต์แล้ว ผู้ใช้สามารถอัปโหลด PDF แล้วให้ ChatGPT ตีความข้อความและองค์ประกอบภาพทั้งหมดในไฟล์นั้นได้

ดูรายละเอียดได้ที่: คำถามที่พบบ่อยเกี่ยวกับการค้นคืนข้อมูลภาพใน PDF.

ChatGPT Enterprise ให้คุณอัปโหลดไฟล์ได้หลายวิธี:

คู่มือนี้อธิบายวิธีที่ฟีเจอร์ของ ChatGPT Enterprise จัดการไฟล์ตามประเภท จำนวน และขนาด พร้อมแนะนำแนวทางปรับปรุงผลลัพธ์ให้ดีขึ้นตามข้อกำหนดของไฟล์

สรุป

ChatGPT Enterprise จัดการไฟล์แต่ละประเภทด้วยวิธีที่แตกต่างกันมาก โดยดึงข้อความจากเอกสารข้อความ เช่น PDF งานนำเสนอ และไฟล์ Word วิเคราะห์ข้อมูลที่มีโครงสร้างจากสเปรดชีตด้วยโค้ด Python และอธิบายไฟล์รูปภาพผ่าน GPT-Vision การเข้าใจว่าไฟล์ประเภทใดจะใช้กระบวนการทำงานแบบใดเป็นกุญแจสำคัญที่จะช่วยให้ได้ผลลัพธ์ตามที่คาดหวัง

สำหรับเอกสารข้อความ ChatGPT Enterprise จะใส่ข้อความที่เกี่ยวข้องให้มากที่สุดไว้กับพรอมต์โดยตรง และใช้ระบบค้นหาเพื่อเข้าถึงข้อมูลเพิ่มเติม วิธีนี้ใช้ได้ดีในการตอบคำถามที่เฉพาะเจาะจง อย่างไรก็ตาม วิธีนี้อาจมีข้อจำกัดเมื่อต้องทำงานที่ซับซ้อน เช่น สรุปเอกสารที่มีขนาดใหญ่มาก หรือเปรียบเทียบไฟล์ขนาดใหญ่หลายไฟล์ อ่านต่อเพื่อเรียนรู้แนวทางปรับปรุงผลลัพธ์ให้ดีขึ้น

การจัดการไฟล์ตามประเภท

ChatGPT Enterprise ประมวลผลไฟล์ด้วยวิธีหลัก 3 วิธี ได้แก่ การดึงข้อความ การวิเคราะห์ด้วยโค้ด และการตีความรูปภาพ ประเภทไฟล์เป็นตัวกำหนดว่า ChatGPT Enterprise จะใช้กระบวนการทำงานแบบใด

การค้นคืนข้อมูลข้อความเครื่องมือรันโค้ดการประมวลผลรูปภาพการค้นคืนข้อมูลภาพ
ตัวอย่างประเภทไฟล์pptx, docx, txt, md, json, xml, pdf*
* PDF ที่อัปโหลดเป็น

ความรู้ของ GPT
หรือ

ไฟล์โปรเจกต์		csv, xls, xlsx*
*หมายเหตุ: เครื่องมือรันโค้ดใช้งานกับไฟล์ได้ทุกประเภท แต่ ChatGPT Enterprise มักจะใช้เครื่องมือรันโค้ด (CI) เป็นค่าเริ่มต้นสำหรับสเปรดชีต		jpg, pngpdf*
* PDF ที่แนบมากับพรอมต์ของผู้ใช้
ลักษณะการทำงานดึงข้อความออกจากไฟล์ โดยนำข้อความบางส่วนมาวาง (“ใส่”) ลงในหน้าต่างบริบทโดยตรง และเก็บข้อความบางส่วนไว้สำหรับการค้นหาเครื่องมือรันโค้ดส่งไฟล์ให้ Python ประมวลผลโมเดลมัลติโมดัลตีความรูปภาพได้โดยตรง แต่ยังมี

ข้อจำกัดที่ทราบแล้ว		ผสานการค้นคืนข้อมูลข้อความกับการประมวลผลรูปภาพ ข้อความจะถูกดึงออกมาด้วยวิธีดิจิทัล ส่วนเนื้อหาภาพจะถูกตีความโดยโมเดลมัลติโมดัลโดยตรง

สำหรับไฟล์ที่มีเฉพาะข้อความ ไฟล์รูปภาพ หรือไฟล์ข้อมูลที่มีโครงสร้างชัดเจน (เช่น ตารางธุรกรรมใน Excel) การแบ่งวิธีประมวลผลเช่นนี้เป็นแนวทางที่เหมาะสมที่สุด

แต่ก็มีบางกรณีที่อาจไม่ชัดเจนนัก เช่น:

  • รูปภาพที่ฝังอยู่ในไฟล์ที่ไม่ใช่ PDF จะไม่ถูกประมวลผล หากต้องการให้ประมวลผลรูปภาพเหล่านั้นด้วย ให้แปลงไฟล์เป็น PDF ก่อนอัปโหลด

  • ChatGPT Enterprise จะใช้เครื่องมือรันโค้ดในการทำงานกับสเปรดชีตเสมอ แม้ว่าเอกสารจะมีข้อความอยู่เป็นจำนวนมากก็ตาม ตัวอย่างเช่น หากคุณขอให้ ChatGPT Enterprise แปลไฟล์ CSV ที่มีข้อความ 10 แถว ระบบจะพยายามแปลไฟล์ด้วยไลบรารี Python ซึ่งแม่นยำน้อยกว่าการให้โมเดลสร้างคำแปลโดยตรง เพื่อลดปัญหานี้ ให้ลองส่งออกสเปรดชีตเป็นรูปแบบเอกสารข้อความ (เช่น PDF)

  • ในทำนองเดียวกัน หากคุณอัปโหลดตารางธุรกรรมที่มีโครงสร้างอยู่ในไฟล์ JSON ทาง ChatGPT Enterprise จะตีความไฟล์นี้เป็นข้อความธรรมดา หากต้องการวิเคราะห์ข้อมูลในไฟล์ JSON ให้ระบุในพรอมต์ว่าให้โมเดลใช้เครื่องมือรันโค้ด

การจัดการไฟล์ตามขนาด

ChatGPT Enterprise ใช้โมเดลที่มีหน้าต่างบริบทสูงสุด 128k Token (ประมาณข้อความ 200 หน้า) อย่างไรก็ตาม ไม่ได้ใช้ Token ทั้งหมดเพื่อนำข้อความจากไฟล์ที่อัปโหลดเข้ามา จำนวน Token ที่ “ใส่เข้าไป” จะแตกต่างกันตามประเภทการใช้งาน

ChatGPT Enterprise จะ “ใส่” ข้อความจำนวนหนึ่ง และข้อความที่เหลือจะถูกส่งไปยังดัชนีการค้นหาส่วนตัว (“vector store” ซึ่งเป็นฐานข้อมูลประเภทหนึ่งที่ออกแบบมาเพื่อจัดเก็บและดึงข้อความปริมาณมากอย่างมีประสิทธิภาพ) เมื่อคุณถามคำถาม ChatGPT Enterprise จะนำข้อความที่รวมไว้เข้ามาพร้อมกับส่วนที่เกี่ยวข้องซึ่งดึงมาจากดัชนีการค้นหาส่วนตัว

หากคุณอัปโหลดเอกสารเพียงฉบับเดียว ChatGPT Enterprise จะรวมข้อความตั้งแต่ต้นจนกว่าจะถึงขีดจำกัด หากคุณอัปโหลดเอกสารหลายฉบับ ChatGPT Enterprise จะรวมบางส่วนหรือทั้งหมดของแต่ละเอกสาร ข้อความทั้งหมดจากเอกสารจะถูกส่งไปยังดัชนีการค้นหาส่วนตัวด้วย

การใส่บริบทสำหรับเอกสารข้อความ

ฟีเจอร์นี้อยู่ระหว่างการพัฒนาอย่างต่อเนื่อง ดังนั้นรายละเอียดต่อไปนี้อาจมีการเปลี่ยนแปลงได้โดยไม่ต้องแจ้งให้ทราบล่วงหน้า

ChatGPT Enterprise สามารถประมวลผลเนื้อหาจากเอกสารที่อัปโหลดในหน้าต่างบริบทได้สูงสุด 110,000 Token หากคุณอัปโหลดเอกสารอย่างน้อยหนึ่งฉบับที่มีเนื้อหารวมกันน้อยกว่า 110,000 Token เนื้อหาทั้งหมดจะถูกรวมไว้ในหน้าต่างบริบท

หากเอกสารฉบับเดียวมีเนื้อหาเกิน 110,000 Token จะรวมไว้เฉพาะ 110,000 Token แรกนับจากต้นเอกสารเท่านั้น เนื้อหาที่เหลือจะถูกส่งไปยังดัชนีค้นหาส่วนตัวเท่านั้น

หากอัปโหลดเอกสารหลายฉบับที่มีเนื้อหารวมกันเกิน 110,000 Token ทาง ChatGPT Enterprise จะใช้กระบวนการต่อไปนี้เพื่อให้มีเนื้อหาจากแต่ละเอกสารอย่างสมดุล:

  1. ดึงเนื้อหาสูงสุด 55,000 Token โดยแบ่งโควตาให้เอกสารที่อัปโหลดแต่ละฉบับเท่าๆ กัน

  2. สำหรับเอกสารที่ยังรวมเนื้อหาไว้ไม่ครบในขั้นตอนแรก ให้จัดสรรโควตาอีก 55,000 Token ตามสัดส่วนของจำนวน Token ที่เหลือในเอกสารแต่ละฉบับ

  3. Token ที่ยังเหลืออยู่จะถูกส่งไปยังดัชนีค้นหาส่วนตัวเท่านั้น

คุณสามารถประมาณจำนวน Token ในเอกสารข้อความได้โดยคัดลอกข้อความในเอกสารไปวางในเครื่องมือแบ่ง Token ของ OpenAI

การใส่เนื้อหาในบริบทสำหรับ PDF แบบมัลติมีเดีย

เมื่อผู้ใช้อัปโหลด PDF ที่มีทั้งข้อความและรูปภาพ การค้นคืนข้อมูลภาพจะช่วยให้ ChatGPT ประมวลผลรูปภาพเหล่านี้ได้โดยตรงควบคู่กับข้อความที่ดึงออกมาด้วยวิธีดิจิทัล สำหรับ PDF แบบมัลติมีเดีย เราจะใช้ขั้นตอนต่อไปนี้เพิ่มเติมจากขั้นตอนจัดการบริบทมาตรฐาน:

  • การดึงและฝังรูปภาพ: ระบบจะดึงรูปภาพออกมาและฝังไว้พร้อมข้อความดิจิทัลที่เกี่ยวข้อง

  • การปรับขนาดอัจฉริยะ: ระบบจะปรับขนาดรูปภาพโดยอัตโนมัติเพื่อรักษาสมดุลระหว่างคุณภาพของข้อมูลกับการใช้หน้าต่างบริบทที่มีอยู่อย่างมีประสิทธิภาพ

เมื่อ PDF ที่อัปโหลดมีเนื้อหาเกินขีดจำกัด 110,000 Token ทั้งรูปภาพและข้อความจะถูกฝังไว้ในดัชนีค้นหาส่วนตัว เวกเตอร์ฝังตัวของข้อความจะอ้างอิงถึงรูปภาพที่เกี่ยวข้อง ทำให้ ChatGPT ค้นคืนคู่ข้อความและรูปภาพที่เหมาะสมตามคำถามของผู้ใช้ได้ จากนั้นรูปภาพที่ค้นคืนได้จะถูกประมวลผลโดยใช้ความสามารถด้านมัลติโมดัลที่มีอยู่ในตัว ChatGPT

การประมาณจำนวน Token ที่ต้องใช้กับ PDF แบบมัลติมีเดียอย่างแม่นยำนั้นทำได้ยาก ผลการทดสอบบ่งชี้ว่าเอกสารที่มีทั้งข้อความและรูปภาพประมาณ 350 หน้าจะใช้หน้าต่างบริบทขนาด 110,000 Token จนเต็ม

กลยุทธ์การค้นหาตามประเภทโมเดล

ทั้งโมเดลซีรีส์ GPT และซีรีส์ o รองรับการอัปโหลดไฟล์ และใช้ตรรกะการใส่บริบทและการฝังสำหรับค้นหาแบบเดียวกัน โมเดลทั้งหมดดำเนินการค้นหาแบบไฮบริดกับดัชนีการค้นหาส่วนตัว โดยผสานวิธีแบบคีย์เวิร์ดและเชิงความหมาย ในการค้นหาแบบไฮบริด โมเดลจะสร้างวลีค้นหาตามคำสั่งของผู้ใช้ และดัชนีการค้นหาส่วนตัวจะดึงข้อความและรูปภาพที่เกี่ยวข้องตามนั้น

อย่างไรก็ตาม โมเดลเหล่านี้แตกต่างกันในวิธีค้นหาภายในเอกสารขนาดใหญ่ที่เกินหน้าต่างบริบท:

โมเดลซีรีส์ GPT

  • ค้นหาหนึ่งครั้งต่อพรอมต์: โมเดลซีรีส์ GPT จะค้นหาหนึ่งครั้งต่อพรอมต์ของผู้ใช้

  • กรณีใช้งานที่เหมาะสม: เหมาะอย่างยิ่งสำหรับการตอบคำถามที่ไม่ซับซ้อนจากเอกสารจำนวนมาก

ตัวอย่างคำค้น:

  • “ฝ่ายทรัพยากรบุคคลมีนโยบายเกี่ยวกับการเกษียณก่อนกำหนดอย่างไร”

  • “ฟังก์ชัน process_order ทำอะไร”

โมเดลซีรีส์ o

  • ค้นหาได้หลายครั้งต่อพรอมต์: สามารถค้นหาได้หลายครั้ง (โดยทั่วไป 2–3 ครั้ง) ต่อพรอมต์ของผู้ใช้ โดยแต่ละครั้งใช้วลีค้นหาที่แตกต่างกัน ระบบจะค้นหาตามลำดับ และโมเดลสามารถปรับแนวทางตามข้อมูลที่ได้จากการค้นหาก่อนหน้า

  • กรณีใช้งานที่เหมาะสม: เหมาะกับคำถามซับซ้อนที่ต้องค้นหาแบบเจาะจงหลายครั้งในเอกสารจำนวนมาก

ตัวอย่างคำค้น:

  • “ฝ่ายทรัพยากรบุคคลมีนโยบายเกี่ยวกับการเกษียณก่อนกำหนด การลาเพื่อเลี้ยงดูบุตร และการย้ายไปทำงานต่างประเทศอย่างไรบ้าง”

  • “อธิบายว่าฟังก์ชัน process_order ทำอะไร ระบุเมธอดทั้งหมดที่ฟังก์ชันนี้เรียกใช้ และอธิบายแต่ละเมธอดโดยสังเขป”

แม้จะมีข้อดี แต่โมเดลซีรีส์ o อาจทำงานได้ไม่ดีนักเมื่อคำค้นต้องใช้การค้นหามากกว่าสามครั้ง

เคล็ดลับในการปรับปรุงผลลัพธ์การค้นหาไฟล์

  • ลองใช้โมเดลซีรีส์ o สำหรับคำถามที่ซับซ้อนซึ่งต้องค้นหาหลายครั้ง

  • โปรดจำไว้ว่าคำตอบอาจแตกต่างกันไปตามประเภท จำนวน และขนาดของเอกสารที่คุณอัปโหลด

  • โดยทั่วไป การโหลดเอกสารที่น้อยลงและตรงประเด็นมากขึ้นจะช่วยให้ได้ความแม่นยำสูงขึ้น

  • เปลี่ยนหัวข้อที่มีหลายคำถามให้เป็นคำถามเดี่ยว:

    • หากคุณต้องการทราบนโยบาย HR ของทุกรัฐ ให้ถามทีละรัฐ

    • หากคุณต้องการสรุปเอกสารหลายฉบับ ให้ขอทีละฉบับ หากเอกสารนั้นมีหลายร้อยหน้า ควรพิจารณาแบ่งออกเป็นส่วนย่อยๆ

      • คุณอาจขอให้ ChatGPT Enterprise เขียน “สรุปของสรุป” หากคุณป้อนสรุปหลายรายการแทนที่จะป้อนเอกสารทั้งฉบับ

    • หากคุณมี CSV ของ RFP (แต่ละบรรทัดเป็นคำถามต่างกัน) ให้ถามคำถามเหล่านั้นทีละข้อ แทนที่จะโหลด CSV แล้วขอคำตอบเดียว

  • หาวิธีตรวจสอบคำตอบของโมเดล ตัวอย่างคำสั่งสำหรับ GPT อยู่ด้านล่าง:

# บริบท 

คุณเป็นผู้เชี่ยวชาญในการทำความเข้าใจเอกสาร ผู้ใช้จะแนบเอกสารและถามคำถาม พวกเขาต้องสามารถเชื่อมโยงคำตอบของคุณกลับไปยังส่วนที่แน่นอนของข้อความที่คุณใช้ตอบได้

# คำแนะนำ

1. ตอบคำถามของผู้ใช้โดยอ้างอิงจากเอกสารที่แนบมา โดยใช้รูปแบบด้านล่างอย่างเคร่งครัด

# รูปแบบ 

- Question: { ทำซ้ำคำถามของผู้ใช้ }
- Answer: { ให้คำตอบสำหรับคำถามของผู้ใช้ }
Source: 
- - Section Number: { ระบุหมายเลขหัวข้อที่คุณดึงคำตอบมา }
- - Section Title: { ระบุชื่อหัวข้อที่คุณดึงคำตอบมา }
- - Exact Text: { ระบุข้อความตรงตามต้นฉบับที่คุณใช้ดึงคำตอบ }

# กฎ

- ให้คำตอบที่ชัดเจนและกระชับ
- ให้เฉพาะข้อมูลที่มีอยู่ในเอกสารเท่านั้น
- หากคุณไม่พบคำตอบในเอกสาร ให้ตอบเพียงว่า “No information found.”

บทความนี้มีประโยชน์หรือไม่