Analiziraj slike i fotografije
Na ovoj stranici
ChatGPT Vision: Razumijevanje slika
ChatGPT nije ograničen samo na tekst: svaki model prihvaća slike. Fotografije, snimke zaslona, grafikone, fotografirane dokumente, dijagrame – opisuje ih, čita i komentira. Vrijednost je trenutna jer ova značajka uklanja korak prepisivanja: pokazuješ umjesto da opisuješ. Dostupna je na besplatnim i plaćenim planovima, podložno kvotama svakog plana.
Slanje slike ChatGPT-u
Na webu i u aplikaciji za računalo, tri puta vode do istog rezultata: gumb + u području za unos, zatim Add photos & files; povlačenje i ispuštanje slike u područje za unos; ili lijepljenje kopirane slike iz međuspremnika (Ctrl+V ili Cmd+V). Na mobitelu isti gumb + dodaje fotografiju, bilo onu koju si upravo snimio/la ili stariju; na iPhoneu, dugi pritisak na + izravno otvara tvoje nedavne fotografije. ChatGPT prihvaća formate PNG, JPEG i neanimirane GIF, do 20 MB po slici.
Ne moraš poslati samo jednu sliku odjednom. Uključivanje više vizuala u jednu poruku omogućuje traženje usporedbe, a nove slike možeš dodavati kako razgovor napreduje kako bi produbio/la temu ili promijenio/la kut gledanja.
Što vision omogućuje u svakodnevnom radu
Prvi i najvredniji slučaj upotrebe odnosi se na grafikone. Snimi krivulju iz godišnjeg izvješća, nadzorne ploče ili prezentacije i neka ChatGPT to komentira umjesto da to sam dešifriraš.
[slika grafikona] “Analiziraj ovaj grafikon. Koji su glavni trendovi? Postoje li anomalije? Sažmi zaključke u 3 točke.”
Slijedi čitanje dokumenata: ChatGPT čita tekst prisutan na slici. “Prepiši tekst s ovog dokumenta, a zatim ga sažmi u 3 rečenice.” Isti pristup funkcionira za račune, sa strukturiranim izvlačenjem koje ti štedi ručni unos – “Izvuci informacije s ovog računa: dobavljač, datum, iznos bez PDV-a, PDV, iznos s PDV-om.” – i za prijevod kada fotografiraš znak ili jelovnik na stranom jeziku.
Identifikacija čini treću kategoriju: poruka o pogrešci prikazana na zaslonu čije značenje i rješenje trebaš, predmet čije ime tražiš, jelo za koje želiš sličan recept. Konačno, vision služi kao kritičko oko za profesionalne vizuale.
[snimka zaslona web stranice] “Analiziraj ovu naslovnicu. Prednosti i slabosti u smislu korisničkog iskustva. Predloži 3 konkretna poboljšanja.”
Što razdvaja dobru analizu od loše
Kvaliteta rezultata prvenstveno ovisi o kvaliteti slike. OpenAI preporučuje povećanje teksta koji se čita kako se ne bi odrezale važne pojedinosti, te izbjegavanje rotiranih ili obrnutih slika, kao i panoramskih pogleda ili onih s “ribljim okom”, koji se često pogrešno tumače. Da bi skrenuo/la pažnju na određeno područje, annotiraj sliku prije slanja, koristeći alat za uređivanje na mobitelu, na primjer.
Druga varijabla je tekst koji prati sliku. “Što je ovo?” poziva na opći opis, koji je često beskoristan. “Ovo je naš grafikon prodaje za prvi kvartal: analiziraj trend i identificiraj problematične mjesece” poziva na djelotvoran odgovor. Načelo vrijedi i pri kombiniranju više vizuala: “Ovo je logotip mog konkurenta [slika]. Usporedi ga s našim [slika]. Koje je vizualno pozicioniranje svakog od njih?”
Ograničenja koja trebaš znati
Sam OpenAI objavljuje popis ograničenja. Model nije dizajniran za tumačenje specijaliziranih medicinskih slika, poput CT snimki, i ne smije služiti kao medicinski savjet. Tekst na nelatiničnim pismima, poput japanskog ili korejskog, čita manje pouzdano. Može pogriješiti kod grafikona gdje samo boja ili stil linije (puna, isprekidana, točkasta) razlikuje krivulje, kod preciznih zadataka lokalizacije poput čitanja položaja na šahovskoj ploči, te daje samo približne brojeve. Ne čita naziv datoteke niti njezine metapodatke, a slika se mijenja veličina prije analize.
Jedno upozorenje zaslužuje naglasak: za brojeve pročitane sa slike, poput fotografirane tablice ili skeniranog PDF-a, točne vrijednosti se ne izvlače pouzdano. Kada je preciznost bitna, pošalji izvornu proračunsku tablicu ili tekstualnu datoteku umjesto toga i ručno dvostruko provjeri sve što pokreće odluku. Videozapisi se konačno mogu priložiti kao datoteke, čak i na besplatnom planu, ali njihova analiza može biti djelomična.
Tvoj red
Tri pokušaja. Fotografiraj ili snimi stranicu izvješća ili račun i zatraži izvlačenje ključnih informacija u tablicu; provjeri svaki iznos. Zatim snimi grafikon iz članka ili nadzorne ploče i zatraži analizu trenda. Završi s fotografijom bilo kojeg predmeta, poslanom dvaput: jednom bez uputa, jednom sa specifičnim pitanjem. Usporedi dubinu ta dva odgovora.
Službeni izvori: ChatGPT Image Inputs FAQ (OpenAI Help Center: planovi, formati, dodavanje slika, ograničenja) · Data analysis with ChatGPT (skenirane ili slikovne tablice) · ChatGPT capabilities overview (analiza slika)
Ključne točke
- Svi ChatGPT modeli analiziraju fotografije, snimke zaslona, grafikone i fotografirane dokumente, na svim planovima
- Pošalji sliku gumbom +, povlačenjem i ispuštanjem, lijepljenjem ili, na mobitelu, iz svojih fotografija
- Specifično pitanje i oštra slika bolje su od neodređenog “što je ovo?”
- Službena ograničenja: medicinske slike, nelatinična pisma, krivulje razlikovane samo po stilu, brojanje
- Brojevi pročitani sa slike nisu pouzdano točni: preferiraj izvornu datoteku