Muunna Microsoft Works-tiedostot RAG:lle ja analytiikkaan

TL;DR

Muuta Microsoft Works-tiedostot muiksi CSV vain arvopohjaiseen analytiikkaan ja upotuksiin, ja Markdown kun haluat LLM:n säilyttävän taulukkorakenteen. Vältä PDF:tä välivaiheena — se tuhoaa ruudukkorakenteen, jota malli todella tarvitsee. Microsoft Works File Converter tekee tämän paikallisesti erissä, joten säännellyt rivit eivät koskaan poistu verkostasi.

Ongelma: Perinteiset taulukot ovat tekoälylle näkymättömiä

Jos rahoitus-, operaatio- tai insinööriryhmäsi on ollut olemassa yli 20 vuotta, merkittävä osa instituution tiedoistasi on edelleen Microsoft Works-tiedostoissa: tilikarttojen pääkirjat, vakuutusmatemaattiset taulukot, laitoksen kustannusmallit, hinnoittelutyöpaperit, asiakashintakirjat. Näitä binaaritiedostoja nykyaikaiset tekoälyjärjestelmät, vektoritietokannat tai upotusmallit eivät voi lukea. LLM:lle historialliset lukusi yksinkertaisesti eivät ole olemassa.

T0 (hakua täydentävällä generoinnilla) -järjestelmän tai yksityisen T1:n rakentaminen, joka ohittaa vanhat taulukkolaskentasi, tarkoittaa, että tekoälyltäsi puuttuu vuosikymmenien määrällinen konteksti — juuri ne luvut, joista analyytikot esittävät jatkokysymyksiä.

Vaihe vaiheelta: Microsoft Works vektoritietokantaan

Työnkulku vanhojen Microsoft Works-tiedostojen tekoälyvalmiiksi tekemiseksi:

Tee luettelo lähdearkistoistasi

Löydä .wps-, .wks-, .xlr-, .wdb-, .wpt-, .wdb-, .wpt- ja .wdb-tiedostosi. Ne ovat tyypillisesti hajallaan osastoverkon ja-asemilla, eläkkeelle jääneillä tiedostopalvelimilla ja varmuuskopiointimedioilla. Microsoft Works File Converter skannaa koko kansiopuuston rekursiivisesti ja voi jopa havaita Microsoft Works-tiedostoja, jotka ovat menettäneet tiedostopäätteensä tarkastelemalla otsikkotavuja.

Erämuunnos CSV:ksi ja Markdown:ksi

Suorita Microsoft Works File Converter arkiston läpi. Valitse CSV, kun jokainen laskentataulukko on yksi looginen taulukko ja haluat maksimaalisen token-tehokkuuden. Valitse Markdown, kun tiedostossa on kuvatekstejä, summia ja huomautuksia, joita LLM:n tulisi lukea taulukon rinnalla. Kaikki tapahtuu paikallisesti — yksikään tiedosto ei poistu koneeltasi.

Palanen per arkki, ei per tiedosto

Yksi .wpt-tiedosto sisältää yleensä useita työkirjoja. Käsittele jokaista taulukkoa omana asiakirjanaan pilkkomista varten — se säilyttää rivien kontekstin johdonmukaisena ja estää "yhteenvetovälilehden" sotkemasta "tiedot-välilehden" upotuksia. Markdown-otsikot ja CSV-tiedostonimet tarjoavat luonnollisia katkaisukohtia.

Luo upotuksia

Aja palasi upotemallin läpi (OpenAI, Cohere, paikalliset mallit kuten Sentence-BERT, BGE). Puhdista taulukkomuotoinen teksti = paremmat vektorit ulos = parempi numeerinen haku. Merkitse jokainen pala tiedostolla, työkirjalla, vuodella ja liiketoimintayksiköllä, jotta haku voi suodattaa metadatan perusteella.

Lataa vektorivarastoosi

Tallenna upotukset Pineconeen, Weaviatiin, Chromaan, pgvectoriin tai mihin tahansa vektoritietokantaan. Perintönä saatava määrällinen tietosi on nyt haettavissa RAG-putkesi kautta yhdessä nykyaikaisten XLSX, DOCX ja PDF -lähteiden kanssa.

Kysely RAG:lla (ja Työkalut)

Kun analyytikko kysyy "mitä meidän vuoden 1998 laitoksen kustannusmalli oletti teräksen sisääntulohinnoista?", RAG-järjestelmäsi hakee asiaankuuluvat CSV/Markdown-palaset. Numeraalista päättelyä varten yhdistä haku eristettyyn koodin tulkkaustyökaluun, jotta malli voi todella toistaa laskelman sen sijaan, että arvailee.

Muotovertailu: Mikä tulos on paras tekoälylle?

Kaikki taulukkolaskentaohjelman tulosteet eivät sovi yhtä hyvin LLM:n käyttöönottoon. Tässä on, miten tavalliset kohteet vertautuvat:

Factor	CSV	Markdown	XLSX	PDF	Raaka .wpt / .wps
LLM Luettavuus	Erinomainen	Erinomainen	Hyvä (tarvitsee jäsentäjän)	Fair	None
Tunnisteen tehokkuus	Highest	High	Matala (XML-ylikuorma)	Matala (uuttomelua)	N/A
Rakenteen säilyttäminen	Rivit ja sarakkeet	Taulukot, otsikot, kuvatekstit	Taulukot, kaavat, muodot	Asettelusta riippuva	Binaarimuoto
Upotuksen laatu	High	High	Keskikokoinen (jälkeen jäsentämisen)	Keskikokoinen (meluisa)	N/A
Työkalu / Koodin-tulkki	Natiivinen (pandas, DuckDB)	Cabriolet	Natiivinen (openpyxl)	Vaatii OCR:n	Ei työkaluja
Käsittelyyn liittyvä monimutkaisuus	Suora nauttiminen	Suora nauttiminen	XLSX jäsennin	PDF jäsentäjä / OCR	Tarvitsee Microsoft Works kirjaston
Paras varten	RAG numeeristen taulukoiden yli; agentit, joilla on koodityökaluja	RAG merkittyjen tiedostojen yli muistiinpanojen kanssa	Tiedoston uudelleenkäyttö Excelissä	Ihmisen lukeminen, arkistointi	Ei mitään (vain perintö)

Mikä on paras formaatti syöttää vanhat taulukot LLM:een?

CSV raakojen taulukkotietojen varten, joissa jokainen taulukko on siisti taulukko ja haluat analyytikoiden agenttien kysyvän tietoja pandasilla tai DuckDB:llä. Markdown tiedostoille, joissa kommentit, summat ja osioiden otsikot kantavat merkitystä, malli pitäisi säilyttää. Vältä PDF välivaiheena — PDF-uutto tuhoaa rivin/column ruudukon, joka tekee taulukoista hyödyllisiä tekoälylle.

Miksi paikallinen käsittely on tärkeää tekoälyputkissa

Suurin osa tiimeistä haluaa rakentaa yksityisiä RAG-järjestelmiä erityisesti pitääkseen säännellyt tiedot — talousmallit, asiakashinnat, työntekijätiedot — poissa kolmansien osapuolten palvelimilta. Pilvipohjaista muunninta käyttäen näiden tiedostojen valmistelu yksityistä tekoälyä varten kumoaa tarkoituksen. Microsoft Works File Converter käsittelee kaiken koneellasi, säilyttäen täydellisen omistajuuden ketjun vanhasta tiedostosta vektoripohjaiseen tietokantaan.

Tämä on erityisen kriittistä pankeille ja luotto-osuuskunnille (GLBA), terveydenhuollon ja etuuksien ylläpitäjille (HIPAA), säännellyille palveluntarjoajille ja julkisen sektorin asiakirjoille (hintatapaukset ja FOIA) sekä kaikille yrityksille, joilla on SOX- tai GDPR-velvoitteita.

Kuinka muuntaa Microsoft Works-tiedostot RAG:lle ja analytiikkaputkille