Rumus GPT_CLASSIFY

=GPT_CLASSIFY(value, categories, instructions, output, bypassCache)

Parameter	Deskripsi	Default
value	Sel untuk diklasifikasikan (mis: A2), atau rentang hingga 100 sel (mis: A2:A50). Rentang mengembalikan satu hasil per sel, dalam bentuk yang sama. wajib	""
categories	Daftar yang dipisahkan koma (mis: "Bug, Feature, Question") atau rentang sel. Rentang satu kolom menyimpan label; rentang dua kolom menyimpan label dan deskripsinya (mis: F2:G5). Deskripsi membuat klasifikasi jauh lebih akurat. wajib	""
instructions	Konteks untuk pengklasifikasi (mis: "Tiket dukungan produk SaaS").	""
output	label (kategori yang dipilih), confidence (skor 0 hingga 1 dari kategori yang dipilih), both (label dan skor dalam dua kolom) atau all (satu skor per kategori, dalam urutan kategori Anda).	label
bypassCache	Lewati cache dan klasifikasikan kembali.	false

Rumus	Hasil
=GPT_CLASSIFY(A2, "Bug, Feature, Question")	Bug
=GPT_CLASSIFY(A2, "Bug, Feature, Question", "Support tickets", "both")	Bug | 0.94
=GPT_CLASSIFY(A2, F2:G5, , "all")	satu skor per kategori, dalam urutan F2:F5
=GPT_CLASSIFY(A2:A50, $F$2:$G$5)	satu label per baris, dalam satu rumus

Tips: letakkan kategori Anda dalam rentang dengan deskripsi di samping setiap label, misalnya Bug | sesuatu rusak, Feature | meminta kemampuan baru, Question | bertanya cara melakukan sesuatu. Lalu rujuk rentang tersebut dengan $F$2:$G$5 agar Anda bisa menarik rumus ke bawah.

Setiap klasifikasi selalu mengembalikan kategori yang paling cocok. Gunakan "both" untuk mendapatkan tingkat keyakinan di samping label dan menandai baris dengan keyakinan rendah untuk ditinjau oleh manusia dengan filter atau format bersyarat, atau "all" untuk melihat distribusi skor penuh untuk heatmap.

Sel kosong mengembalikan hasil kosong. Teks yang identik dalam suatu rentang diklasifikasikan sekali, dan menjalankan ulang suatu rentang hanya mengklasifikasikan sel yang teksnya berubah.

=GPT_CLASSIFY berjalan di TypeSafe Jev, model keputusan yang menjawab pertanyaan pilihan tunggal dengan probabilitas per kategori. Ini lebih cepat dan sekitar 10x lebih murah daripada rumus teks, dan dibebankan biaya pada biaya aktual model. Tersedia di setiap paket.

Jika model keputusan tidak tersedia, rumus akan beralih ke model teks Standar sehingga spreadsheet Anda tidak pernah menampilkan kesalahan karena alasan tersebut; skor keyakinan kemudian dikosongkan.