Analýza obrázků a fotografií
Na této stránce
ChatGPT Vision: Porozumění obrázkům
ChatGPT se neomezuje jen na text: každý model přijímá i obrázky. Fotografie, snímky obrazovky, grafy, vyfocené dokumenty, schémata – dokáže je popsat, přečíst a okomentovat. Hodnota této funkce je okamžitá, protože eliminuje krok přepisování: místo popisování obsah jednoduše ukážeš. Funkce je dostupná v bezplatném i placeném plánu, s ohledem na limity daného tarifu.
Odeslání obrázku do ChatGPT
Na webu i v desktopové aplikaci vedou ke stejnému výsledku tři cesty: tlačítko + v oblasti zadávání, poté Add photos & files; přetažení obrázku přímo do oblasti zadávání; nebo vložení zkopírovaného obrázku ze schránky (Ctrl+V nebo Cmd+V). Na mobilu stejné tlačítko + přidá fotografii, ať už právě pořízenou, nebo starší; na iPhonu dlouhé stisknutí + otevře přímo vaše nedávné fotky. ChatGPT přijímá formáty PNG, JPEG a neanimované GIF, až 20 MB na jeden obrázek.
Nemusíš odesílat pouze jeden obrázek najednou. Vložení více vizuálů do jedné zprávy ti umožní požádat o srovnání a nové obrázky můžeš přidávat v průběhu konverzace, abys prohloubil analýzu nebo změnil úhel pohledu.
Co Vision umožňuje v každodenní práci
Prvním a nejcennějším případem použití jsou grafy. Zachyť křivku z výroční zprávy, dashboardu nebo prezentace a nech si ji od ChatGPT okomentovat, místo abys ji luštil sám.
[obrázek grafu] „Analyzuj tento graf. Jaké jsou hlavní trendy? Vyskytují se nějaké anomálie? Shrň závěry ve 3 bodech.“
Další je čtení dokumentů: ChatGPT přečte text přítomný na obrázku. „Přepiš text z tohoto dokumentu a poté jej shrň ve 3 větách.“ Stejný přístup funguje u faktur se strukturovanou extrakcí, která ti ušetří ruční zadávání – „Extrahuj informace z této faktury: dodavatel, datum, částka bez DPH, DPH, částka s DPH.“ – a také u překladu, když vyfotíš ceduli nebo jídelní lístek v cizím jazyce.
Identifikace tvoří třetí kategorii: chybová hláška zobrazená na obrazovce, jejíž význam a řešení potřebuješ znát, předmět, jehož název hledáš, nebo jídlo, ke kterému chceš podobný recept. Nakonec Vision slouží jako kritické oko pro profesionální vizuály.
[snímek obrazovky webu] „Analyzuj tuto domovskou stránku. Silné a slabé stránky z hlediska uživatelské zkušenosti. Navrhni 3 konkrétní vylepšení.“
Co odděluje dobrou analýzu od špatné
Kvalita výsledku závisí především na kvalitě obrázku. OpenAI doporučuje zvětšit text tak, aby byl čitelný bez ořezávání důležitých detailů, a vyhýbat se otočeným nebo převráceným obrázkům, stejně jako panoramatickým záběrům nebo záběrům typu „rybí oko“, které jsou často špatně interpretovány. Pokud chceš upoutat pozornost na konkrétní oblast, annotuj obrázek před odesláním, například pomocí editačního nástroje v telefonu.
Druhou proměnnou je text doprovázející obrázek. „Co je to?“ vybízí k obecnému popisu, který je často k ničemu. „Zde je náš graf prodejů za 1. čtvrtletí: analyzuj trend a identifikuj problematické měsíce“ vybízí k reakci, kterou lze využít v praxi. Tento princip platí i při kombinaci více vizuálů: „Zde je logo mého konkurenta [obrázek]. Porovnej ho s naším [obrázek]. Jaká je vizuální pozice každého z nich?“
Limity, které je třeba znát
Společnost OpenAI sama zveřejňuje seznam limitů. Model není navržen k interpretaci specializovaných lékařských snímků, jako jsou CT skeny, a nesmí sloužit jako lékařská rada. Méně spolehlivě čte text v nelatinských abecedách, jako je japonština nebo korejština. Může se mýlit u grafů, kde křivky rozlišuje pouze barva nebo styl čáry (plná, čárkovaná, tečkovaná), u úloh vyžadujících přesnou lokalizaci, jako je čtení šachové pozice, a poskytuje pouze přibližné počty. Nečte název souboru ani jeho metadata a obrázek je před analýzou změněna velikost.
Jedno upozornění si zaslouží zdůraznění: u čísel přečtených z obrázku, například z vyfocené tabulky nebo naskenovaného PDF, nejsou přesné hodnoty extrahovány spolehlivě. Když záleží na přesnosti, pošli raději původní tabulku nebo textový soubor a vše, co ovlivňuje rozhodnutí, ručně zkontroluj. Videoklipy lze nakonec připojit jako soubory, a to i v bezplatném plánu, ale jejich analýza může být částečná.
Teď jsi na řadě
Tři pokusy. Vyfoť nebo zachyť stránku zprávy nebo fakturu a požádej o extrakci klíčových informací do tabulky; ověř každou částku. Dále zachyť graf z článku nebo dashboardu a požádej o analýzu trendu. Nakonec pořiď fotografii libovolného předmětu a odešli ji dvakrát: jednou bez pokynů, podruhé s konkrétní otázkou. Porovnej hloubku obou odpovědí.
Oficiální zdroje: ChatGPT Image Inputs FAQ (centrum nápovědy OpenAI: plány, formáty, přidávání obrázků, limity) · Data analysis with ChatGPT (naskenované nebo obrazové tabulky) · ChatGPT capabilities overview (analýza obrázků)
Klíčové poznatky
- Všechny modely ChatGPT analyzují fotografie, snímky obrazovky, grafy a vyfocené dokumenty napříč všemi plány
- Obrázek odešleš tlačítkem +, přetažením, vložením, nebo na mobilu z galerie fotek
- Konkrétní otázka a ostrý obrázek zvítězí nad vágním „co je to?“
- Oficiální limity: lékařské snímky, nelatinské abecedy, křivky rozlišené pouze stylem, počty
- Čísla přečtená z obrázku nejsou spolehlivě přesná: upřednostni původní soubor