Analizuj obrazy i zdjęcia
Na tej stronie
ChatGPT Vision: Rozumienie obrazów
ChatGPT nie ogranicza się tylko do tekstu: każdy model obsługuje obrazy. Zdjęcia, zrzuty ekranu, wykresy, sfotografowane dokumenty, diagramy – ChatGPT potrafi je opisać, odczytać i skomentować. Wartość tej funkcji jest natychmiastowa, ponieważ eliminuje konieczność ręcznego przepisywania: pokazujesz zamiast opisywać. Jest dostępna w planach darmowych i płatnych, z zastrzeżeniem limitów obowiązujących dla danego planu.
Wysyłanie obrazu do ChatGPT
W przeglądarce internetowej i w aplikacji na komputer stacjonarny trzy metody prowadzą do tego samego rezultatu: przycisk + w polu wprowadzania, a następnie Dodaj zdjęcia i pliki; przeciągnięcie i upuszczenie obrazu w polu wprowadzania; lub wklejenie skopiowanego obrazu ze schowka (Ctrl+V lub Cmd+V). Na urządzeniach mobilnych ten sam przycisk + pozwala dodać zdjęcie – zarówno freshly zrobione, jak i starsze z galerii; na iPhonie długie naciśnięcie przycisku + otwiera bezpośrednio ostatnie zdjęcia. ChatGPT akceptuje formaty PNG, JPEG oraz nieanimowane GIF, do 20 MB na obraz.
Nie musisz wysyłać tylko jednego obrazu naraz. Dołączenie kilku grafik do jednej wiadomości pozwala poprosić o porównanie, a nowe obrazy możesz dodawać w trakcie rozmowy, aby pogłębić analizę lub zmienić jej perspektywę.
Co Vision umożliwia w codziennej pracy
Pierwszym i najbardziej wartościowym przypadkiem użycia są wykresy. Zrób zrzut krzywej z raportu rocznego, pulpitu nawigacyjnego lub prezentacji i poproś ChatGPT o komentarz, zamiast samodzielnie go odszyfrowywać.
[obraz wykresu] „Przeanalizuj ten wykres. Jakie są główne trendy? Czy występują jakieś anomalie? Podsumuj wnioski w 3 punktach.“
Kolejnym zastosowaniem jest czytanie dokumentów: ChatGPT odczytuje tekst obecny na obrazie. „Przepisz tekst z tego dokumentu, a następnie podsumuj go w 3 zdaniach“. To samo podejście sprawdza się w przypadku faktur, gdzie strukturalna ekstrakcja oszczędza ręcznego wprowadzania danych – „Wyciągnij informacje z tej faktury: dostawca, data, kwota netto, VAT, kwota brutto“ – oraz przy tłumaczeniu, gdy sfotografujesz znak lub menu w obcym języku.
Identyfikacja stanowi trzecią kategorię: komunikat o błędzie wyświetlony na ekranie, którego znaczenie i sposób rozwiązania musisz poznać; obiekt, którego nazwy szukasz; danie, do którego chcesz znaleźć podobny przepis. Wreszcie, Vision działa jak krytyczne oko dla profesjonalnych materiałów wizualnych.
[zrzut ekranu strony internetowej] „Przeanalizuj tę stronę główną. Mocne i słabe strony pod kątem doświadczenia użytkownika (UX). Zaproponuj 3 konkretne ulepszenia.“
Co odróżnia dobrą analizę od złej
Jakość wyniku zależy w pierwszej kolejności od jakości obrazu. OpenAI zaleca powiększanie tekstu tak, aby był czytelny bez odcinania ważnych szczegółów, oraz unikanie obrazów obróconych, odwróconych do góry nogami, a także widoków panoramicznych lub typu „rybie oko“, które są często błędnie interpretowane. Aby zwrócić uwagę na konkretny obszar, dodaj adnotacje do obrazu przed jego wysłaniem, używając np. narzędzia do edycji w telefonie.
Drugą zmienną jest tekst towarzyszący obrazowi. Pytanie „Co to jest?“ zaprasza do ogólnego opisu, często bezużytecznego. Natomiast „Oto nasz wykres sprzedaży za I kwartał: przeanalizuj trend i zidentyfikuj problematyczne miesiące“ skłania do odpowiedzi, którą można wykorzystać w działaniu. Zasada ta dotyczy również łączenia kilku grafik: „Oto logo mojego konkurenta [obraz]. Porównaj je z naszym [obraz]. Jakie jest wizualne pozycjonowanie każdego z nich?“.
Znajomość ograniczeń
Sama OpenAI publikuje listę ograniczeń. Model nie został zaprojektowany do interpretacji specjalistycznych obrazów medycznych, takich jak tomografia komputerowa (TK), i nie może służyć jako porada medyczna. Gorzej radzi sobie z odczytywaniem tekstu w alfabetach nielacińskich, takich jak japoński czy koreański. Może popełniać błędy na wykresach, gdzie krzywe rozróżnia tylko kolor lub styl linii (ciągła, przerywana, kropkowana), w zadaniach wymagających precyzyjnej lokalizacji, takich jak odczytanie pozycji na szachownicy, oraz podaje jedynie przybliżone liczniki. Nie odczytuje nazwy pliku ani jego metadanych, a obraz jest zmieniany w rozmiarze przed analizą.
Warto podkreślić jedno zastrzeżenie: w przypadku liczb odczytywanych z obrazu, np. ze sfotografowanej tabeli lub zeskanowanego pliku PDF, dokładne wartości nie są ekstrakowane w sposób niezawodny. Gdy precyzja ma kluczowe znaczenie, wyślij oryginalny arkusz kalkulacyjny lub plik tekstowy i ręcznie sprawdź wszelkie dane wpływające na podejmowane decyzje. Filmy można wreszcie dołączać jako pliki, nawet w planie darmowym, ale ich analiza może być niepełna.
Czas na Ciebie
Trzy próby. Zrób zdjęcie lub zrzut ekranu strony raportu albo faktury i poproś o wyodrębnienie kluczowych informacji do tabeli; zweryfikuj każdą kwotę. Następnie uchwyć wykres z artykułu lub pulpitu nawigacyjnego i poproś o analizę trendu. Na koniec zrób zdjęcie dowolnego obiektu i wyślij je dwukrotnie: raz bez instrukcji, raz z konkretnym pytaniem. Porównaj głębię obu odpowiedzi.
Źródła oficjalne: ChatGPT Image Inputs FAQ (Centrum Pomocy OpenAI: plany, formaty, dodawanie obrazów, ograniczenia) · Data analysis with ChatGPT (zeskanowane lub obrazkowe tabele) · ChatGPT capabilities overview (analiza obrazów)
Kluczowe wnioski
- Wszystkie modele ChatGPT analizują zdjęcia, zrzuty ekranu, wykresy i sfotografowane dokumenty we wszystkich planach
- Wyślij obraz za pomocą przycisku +, metodą przeciągnij-i-upuść, wklejeniem lub na urządzeniu mobilnym – wybierając z galerii zdjęć
- Konkretne pytanie i ostry obraz są lepsze niż niejasne „co to jest?“
- Oficjalne ograniczenia: obrazy medyczne, alfabety nielacińskie, krzywe rozróżnialne tylko stylem linii, liczniki
- Liczby odczytane z obrazu nie są niezawodnie dokładne: preferuj oryginalny plik