ChatGPT Enterprise اب پرومپٹس میں شامل PDF فائلوں میں embedded بصری مواد (تصاویر، گراف، ڈایاگرام وغیرہ) کو پڑھنے اور سمجھنے کی حمایت کرتا ہے. صارفین PDF اپ لوڈ کر سکتے ہیں، اور ChatGPT اس فائل کے اندر موجود متن اور کسی بھی بصری عناصر کی تشریح کر سکتا ہے.
تفصیلات کے لیے PDFs کے ساتھ بصری بازیافت کے عمومی سوالات. دیکھیں
ChatGPT Enterprise آپ کو کئی طریقوں سے فائلیں اپ لوڈ کرنے کی اجازت دیتا ہے:
براہِ راست اپنے کمپیوٹر سے
GPT علم کے طور پر
پروجیکٹ فائل کے طور پر
GPT کارروائی سے
یہ رہنما وضاحت کرتا ہے کہ ChatGPT Enterprise کی خصوصیات فائلوں کو ان کی قسم، تعداد، اور سائز کی بنیاد پر کیسے سنبھالتی ہیں، اور فائل کی ضروریات کی بنیاد پر نتائج بہتر بنانے کی حکمت عملیوں پر گفتگو کرتا ہے.
خلاصہ
ChatGPT Enterprise مختلف فائل اقسام کو بہت مختلف انداز میں سنبھالتا ہے: PDFs، پریزنٹیشنز، اور Word فائلوں جیسے متنی دستاویزات سے متن نکالنا، اسپریڈشیٹس سے structured data کا Python کوڈ کے ذریعے تجزیہ کرنا، اور GPT-Vision کے ذریعے تصویری فائلوں کی وضاحت کرنا. یہ سمجھنا کہ کون سی فائل قسم کون سا ورک فلو شروع کرتی ہے، متوقع نتیجہ حاصل کرنے کی کلید ہے.
متن پر مبنی دستاویزات کے لیے، ChatGPT Enterprise ممکنہ حد تک متعلقہ متن براہِ راست پرومپٹ کے ساتھ شامل کرتا ہے اور اضافی معلومات تک رسائی کے لیے تلاش نظام استعمال کرتا ہے. یہ مخصوص سوالات کے جواب دینے کے لیے اچھا کام کرتا ہے. تاہم، یہ طریقہ بہت بڑی دستاویزات کا خلاصہ بنانے یا متعدد بڑی فائلوں کا موازنہ کرنے جیسے پیچیدہ کاموں میں مشکل محسوس کر سکتا ہے. اپنے نتائج بہتر بنانے کی حکمت عملیاں سمجھنے کے لیے آگے پڑھیں.
قسم کی بنیاد پر فائلوں کو سنبھالنا
ChatGPT Enterprise فائلوں کو تین اہم طریقوں سے پروسیس کرتا ہے: متن نکالنا، کوڈ تجزیہ، اور تصویر کی تشریح. فائل کی قسم یہ طے کرتی ہے کہ ChatGPT Enterprise کون سا ورک فلو اپناتا ہے.
| متن پر مبنی بازیافت | کوڈ انٹرپریٹر | تصویر پروسیسنگ | بصری بازیافت | |
|---|---|---|---|---|
| فائل قسم کی مثالیں | pptx, docx, txt, md, json, xml, pdf* * PDFs جو GPT علم یا پروجیکٹ فائلز کے طور پر اپ لوڈ کیے گئے ہوں | csv, xls, xlsx* *نوٹ: کوڈ انٹرپریٹر کسی بھی فائل قسم پر کام کر سکتا ہے، لیکن ChatGPT Enterprise عموماً اسپریڈشیٹس کے لیے CI کو ڈیفالٹ کرتا ہے | jpg, png | pdf* * صارف پرومپٹس میں شامل PDFs |
| رویّہ | فائل سے متن نکالتا ہے – کچھ متن براہِ راست سیاق ونڈو میں چسپاں (“stuffed”) کیا جاتا ہے؛ کچھ متن تلاش کے لیے محفوظ کیا جاتا ہے | کوڈ انٹرپریٹر فائل کو پروسیسنگ کے لیے Python کو دیتا ہے | تصاویر ملٹی-موڈل ماڈلز کے ذریعے مقامی طور پر تشریح کی جاتی ہیں، معلوم حدود کے تابع. | متن بازیافت اور تصویر پروسیسنگ کا ہائبرڈ. متن ڈیجیٹل طور پر نکالا جاتا ہے، اور بصری مواد کی تشریح ملٹی-موڈل ماڈلز مقامی طور پر کرتے ہیں. |
صرف متن والی فائلوں، تصویری فائلوں، یا واضح طور پر ساختہ ڈیٹا فائلوں (مثلاً لین دین کی Excel table) کے لیے، یہ تقسیمیں بہترین ممکنہ رویّے کی نمائندگی کرتی ہیں.
کچھ مبہم علاقے ہیں جو کم واضح ہیں، مثال کے طور پر:
PDFs کے علاوہ دیگر فائلوں میں embedded تصاویر پروسیس نہیں کی جاتیں. انہیں شامل کرنے کے لیے، اپ لوڈ کرنے سے پہلے فائل کو PDF میں تبدیل کریں.
ChatGPT Enterprise اسپریڈشیٹس کے ساتھ تعامل کے لیے ہمیشہ کوڈ انٹرپریٹر استعمال کرے گا، چاہے دستاویز میں بہت زیادہ متن موجود ہو. مثال کے طور پر، اگر آپ ChatGPT Enterprise سے 10 سطروں کے متن والی CSV فائل کا ترجمہ کرنے کو کہیں، تو یہ Python لائبریری استعمال کرتے ہوئے فائل کا ترجمہ کرنے کی کوشش کرے گا، جو ماڈل کو براہِ راست ترجمہ بنانے کی اجازت دینے سے کم درست ہے. اسے کم کرنے کے لیے، اسپریڈشیٹ کو متن پر مبنی فارمیٹ (مثلاً PDF) میں ایکسپورٹ کرنے کی کوشش کریں.
اسی طرح، اگر آپ JSON فائل میں موجود ایک ساختہ لین دین جدول اپ لوڈ کرتے ہیں، تو ChatGPT Enterprise اس فائل کو سادہ متن کے طور پر سمجھے گا. اگر آپ JSON فائل میں موجود ڈیٹا کا تجزیہ کرنا چاہتے ہیں، تو اپنے پرومپٹ میں ماڈل کو کوڈ انٹرپریٹر استعمال کرنے کی ہدایت دیں.
سائز کی بنیاد پر فائلوں کو سنبھالنا
ChatGPT Enterprise ایسے ماڈلز استعمال کرتا ہے جن کی زیادہ سے زیادہ سیاق ونڈو 128k ٹوکنز (تقریباً 200 صفحات متن) ہے. تاہم، اپ لوڈ کردہ فائلوں کا متن شامل کرنے کے لیے تمام ٹوکنز استعمال نہیں ہوتے. “stuffed” ٹوکنز کی تعداد استعمال کی قسم کے لحاظ سے بدلتی ہے.
ChatGPT Enterprise کچھ مقدار میں متن "stuffs" کرتا ہے، اور باقی متن نجی تلاش اشاریے (ایک "vector store"، جو بڑی مقدار میں متن کو مؤثر طور پر محفوظ اور بازیافت کرنے کے لیے ڈیزائن کردہ ڈیٹابیس کی ایک قسم ہے) کو بھیجا جاتا ہے. جب آپ سوال پوچھتے ہیں، ChatGPT Enterprise شامل متن کے ساتھ نجی تلاش اشاریے سے بازیافت کردہ متعلقہ حصے بھی لاتا ہے.
اگر آپ ایک ہی دستاویز اپ لوڈ کرتے ہیں، تو ChatGPT Enterprise آغاز سے متن شامل کرتا ہے جب تک کہ وہ اپنی حد تک نہ پہنچ جائے. اگر آپ متعدد دستاویزات اپ لوڈ کرتے ہیں، تو ChatGPT Enterprise ہر دستاویز کا کچھ یا پورا حصہ شامل کرتا ہے. دستاویزات کا تمام متن نجی تلاش اشاریے کو بھی بھیجا جاتا ہے.
متنی دستاویزات کے لیے سیاق stuffing
یہ فیچر فعال ترقی کے مرحلے میں ہے۔ اس لیے، درج ذیل تفصیلات بغیر پیشگی اطلاع کے تبدیل ہو سکتی ہیں۔
ChatGPT Enterprise سیاق ونڈو میں اپ لوڈ کردہ دستاویزات سے 110k ٹوکنز تک پروسیس کر سکتا ہے. اگر آپ ایک یا زیادہ دستاویزات اپ لوڈ کرتے ہیں جن کا مجموعی کل 110k ٹوکنز سے کم ہے، تو پورا مواد شامل کیا جائے گا.
110k ٹوکنز سے زیادہ کی ایک دستاویز کے لیے، آغاز سے صرف پہلے 110k ٹوکنز شامل کیے جائیں گے. باقی حصہ صرف نجی تلاش اشاریے کو بھیجا جائے گا.
اگر متعدد دستاویزات اپ لوڈ کی جائیں اور ان کا مجموعی کل 110k ٹوکنز سے زیادہ ہو، تو ChatGPT Enterprise دستاویزات کی نمائندگی کو متوازن کرنے کے لیے دو مرحلوں کا عمل استعمال کرتا ہے:
55k ٹوکنز تک نکالیں، اپ لوڈ کردہ دستاویزات میں برابر تقسیم کیے ہوئے.
جن دستاویزات کی پہلے مرحلے میں مکمل نمائندگی نہیں ہوئی، ان کے لیے باقی 55k ٹوکنز ہر دستاویز میں بچنے والے ٹوکنز کی بنیاد پر تناسباً مختص کریں.
کوئی بھی باقی ٹوکنز صرف نجی تلاش اشاریے کو بھیجے جاتے ہیں.
آپ کسی متنی دستاویز میں ٹوکنز کی تعداد کا اندازہ دستاویز کے متن کو OpenAI ٹوکنائزر میں کاپی کر کے لگا سکتے ہیں.
ملٹی میڈیا PDFs کے لیے سیاق stuffing
جب صارفین متن اور تصاویر دونوں پر مشتمل PDFs اپ لوڈ کرتے ہیں، تو بصری بازیافت ChatGPT کو ڈیجیٹل طور پر نکالے گئے متن کے ساتھ ان تصاویر کو مقامی طور پر پروسیس کرنے کے قابل بناتی ہے. مندرجہ ذیل مراحل ملٹی میڈیا PDFs کے لیے ہمارے معیاری سیاق-سنبھالنے کے طریقہ کار کو تقویت دیتے ہیں:
تصویر نکالنا اور embedding: تصاویر نکالی جاتی ہیں اور ان کے متعلقہ ڈیجیٹل متن کے ساتھ embedded کی جاتی ہیں.
ذہین پیمانہ بندی: دستیاب سیاق ونڈو کے مؤثر استعمال اور معلوماتی معیار کے درمیان توازن برقرار رکھنے کے لیے تصاویر خودکار طور پر scaled کی جاتی ہیں.
جب اپ لوڈ کردہ PDFs 110k ٹوکن حد سے بڑھ جائیں، تو تصاویر اور متن دونوں نجی تلاش اشاریے میں embedded کیے جاتے ہیں. متنی embeddings متعلقہ تصاویر کا حوالہ دیتے ہیں، جس سے ChatGPT صارف کے سوالات کی بنیاد پر مناسب متن-تصویر جوڑے بازیافت کر سکتا ہے. بازیافت شدہ تصاویر پھر ChatGPT کی مقامی ملٹی-موڈل صلاحیتوں سے پروسیس کی جاتی ہیں.
ملٹی میڈیا PDFs کے لیے ٹوکن ضروریات کا درست اندازہ لگانا مشکل ہے. آزمائش سے ظاہر ہوتا ہے کہ متن اور تصاویر کے ملے جلے تقریباً 350 صفحات 110k ٹوکن سیاق ونڈو کو مکمل طور پر استعمال کر لیں گے.
ماڈل کی قسم کی بنیاد پر تلاش کی حکمت عملیاں
GPT-سیریز اور o-سیریز دونوں ماڈلز فائل اپ لوڈز کی حمایت کرتے ہیں اور یکساں سیاق stuffing اور تلاش embedding منطق استعمال کرتے ہیں. تمام ماڈلز نجی تلاش اشاریے کے خلاف ہائبرڈ تلاشیں انجام دیتے ہیں، جن میں کلیدی الفاظ اور معنوی طریقے شامل ہوتے ہیں. ہائبرڈ تلاش میں، ماڈل صارف کے پرومپٹ کی بنیاد پر تلاش عبارت بناتا ہے، اور نجی تلاش اشاریہ اسی کے مطابق متعلقہ متن اور تصاویر واپس لاتا ہے.
تاہم، یہ ماڈلز سیاق ونڈو سے بڑے بڑے دستاویزات میں تلاش کرنے کے طریقے میں مختلف ہوتے ہیں:
GPT-سیریز ماڈلز
ہر پرومپٹ پر ایک تلاش: GPT-سیریز ماڈلز ہر صارف پرومپٹ پر ایک تلاش انجام دیتے ہیں.
مؤثر استعمالات: وسیع دستاویزات میں شامل سیدھے سادے سوالات کے جواب دینے کے لیے مثالی.
مثالی سوالات:
"جلد ریٹائرمنٹ کے لیے HR پالیسی کیا ہے."
"
process_orderفنکشن کیا کرتا ہے."
o-سیریز ماڈلز
ہر پرومپٹ پر متعدد تلاشیں: ہر صارف پرومپٹ پر متعدد تلاشیں (عموماً 2-3) انجام دے سکتا ہے، ہر ایک منفرد تلاش عبارت کے ساتھ. تلاشیں سلسلہ وار انجام دی جاتی ہیں، اور ماڈل سابقہ تلاشوں سے حاصل معلومات کی بنیاد پر اپنا طریقہ اپ ڈیٹ کر سکتا ہے.
مؤثر استعمالات: وسیع دستاویزات میں متعدد ہدفی تلاشوں کی ضرورت رکھنے والے پیچیدہ سوالات کے لیے زیادہ موزوں.
مثالی سوالات:
"جلد ریٹائرمنٹ، والدینی رخصت، اور بیرونِ ملک تبادلے کے لیے HR پالیسیاں کیا ہیں."
"وضاحت کریں کہ
process_orderفنکشن کیا کرتا ہے، اس فنکشن کے ذریعے بلائے گئے تمام طریقوں کی فہرست دیں، اور ہر بلائے گئے طریقے کی مختصر وضاحت کریں."
اپنی خوبیوں کے باوجود، o-سیریز ماڈلز کو اس وقت مشکل ہو سکتی ہے جب کسی سوال کے لیے تین سے زیادہ تلاشیں درکار ہوں.
فائل تلاش کے نتائج بہتر بنانے کے مشورے
متعدد تلاشوں کی ضرورت رکھنے والے پیچیدہ سوالات کے لیے o-سیریز ماڈل استعمال کرنے کی کوشش کریں.
یاد رکھیں کہ جوابات آپ کی اپ لوڈ کردہ دستاویزات کی قسم، تعداد، اور سائز کے لحاظ سے بدل سکتے ہیں.
عام طور پر، کم اور مرکوز دستاویزات لوڈ کرنے سے درستگی زیادہ ہوگی.
متعدد سوالات والے موضوعات کو واحد سوالات میں بدلیں:
اگر آپ کو ہر ریاست کی HR پالیسیاں جاننی ہوں، تو انہیں ایک ایک کر کے پوچھیں.
اگر آپ کو بہت سی دستاویزات کا خلاصہ چاہیے، تو ایک وقت میں ایک دستاویز کے بارے میں پوچھیں. اگر وہ دستاویز کئی سو صفحات کی ہے، تو اسے چھوٹے اجزا میں تقسیم کرنے پر غور کریں.
اگر آپ ChatGPT Enterprise کو پوری دستاویزات کے بجائے متعدد خلاصے دیں، تو آپ اس سے “خلاصوں کا خلاصہ” لکھنے کو کہہ سکتے ہیں.
اگر آپ کے پاس کسی RFP کی CSV ہے (ہر سطر ایک مختلف سوال ہے)، تو صرف CSV لوڈ کر کے ایک جواب مانگنے کے بجائے ان سوالات کو ایک ایک کر کے پوچھیں.
ماڈل کے جوابات کا آڈٹ کرنے کے طریقے تلاش کریں. مثالی GPT ہدایات نیچے دی گئی ہیں:
# سیاق
آپ دستاویزات کو سمجھنے کے ماہر ہیں۔ صارف ایک دستاویز منسلک کرے گا اور ایک سوال پوچھے گا۔ انہیں یہ جوڑنے کے قابل ہونا چاہیے کہ آپ نے اپنا جواب متن کے کس درست حصے سے لیا ہے۔
# ہدایات
1. صارف کے سوال کا جواب اس کی منسلک کردہ دستاویز کی بنیاد پر، نیچے دیے گئے عین فارمیٹ میں دیں
# فارمیٹ
- Question: { صارف کے سوال کو دہرائیں }
- Answer: { صارف کے سوال کا جواب دیں }
Source:
- - Section Number: { وہ سیکشن نمبر دیں جہاں سے آپ نے جواب لیا }
- - Section Title: { وہ سیکشن عنوان دیں جہاں سے آپ نے جواب لیا }
- - Exact Text: { وہ عین متن دیں جہاں سے آپ نے جواب لیا }
# قواعد
- جواب واضح اور مختصر دیں
- صرف وہی معلومات دیں جو دستاویز میں موجود ہوں
- اگر آپ کو دستاویز میں جواب نہ ملے، تو بس "کوئی معلومات نہیں ملی۔" جواب دیں