Préparation des archives de feuilles de calcul Microsoft Works pour la recherche IA et RAG

TL;DR

Les pipelines LLM et RAG ne peuvent pas indexer directement les fichiers .wks, .xlr, .wpt ou .wps. Convertissez localement les feuilles de calcul héritées en CSV, Markdown et XLSX avant qu'elles n'entrent dans le pipeline. CSV et Markdown sont les meilleures entrées pour l'intégration et la récupération ; XLSX et PDF permettent la révision humaine de ce qui est montré au modèle.

L'IA ne peut pas utiliser ce qu'elle ne peut pas lire

La plupart des pipelines de récupération et d'intégration ignorent silencieusement les anciens fichiers binaires de feuilles de calcul. Le résultat est un système RAG privé qui répond avec assurance à des questions à partir d'une fraction des connaissances réelles de l'entreprise—souvent sans que personne ne réalise ce qui a été exclu.

Moderniser les archives est la condition préalable peu glamour mais nécessaire : des formats propres et ouverts ouvrent l'histoire des tableurs que les formats hérités gardaient dans l'ombre.

Meilleurs formats cibles pour RAG

1. CSV pour l'intégration tabulaire

CSV est l'entrée tabulaire la plus propre. Chaque ligne devient un petit fragment prévisible ; les colonnes deviennent des métadonnées naturelles. Associez CSV aux métadonnées au niveau des lignes dans l'index pour filtrer par année, entité ou fichier source.

2. Markdown pour les onglets narratifs

De nombreux fichiers Microsoft Works incluent des onglets narratifs — hypothèses, journaux de modifications, résumés exécutifs. Markdown est plus convivial pour la tokenisation LLM que le texte HTML ou PDF, donc les onglets de résumé font de meilleures citations après conversion.

3. XLSX et PDF pour examen humain

Lorsqu'un évaluateur a besoin de voir ce qui a été montré au modèle, XLSX et PDF sont les formats qu'il attend. Gardez-les à côté de CSV/Markdown afin que les citations du modèle puissent être retracées visuellement.

Gardez la conversation privée

Si l'archive comprend des données financières, clients, employés ou opérationnelles, la conversion doit se faire avant toute étape d'IA dans le cloud — et de préférence à l'intérieur du même environnement contrôlé qui héberge le reste du pipeline RAG.

Les convertisseurs en ligne gratuits sont une mauvaise dépendance pour un système d'IA respectueux de la vie privée. Ils réintroduisent exactement les questions de résidence des données qu'un LLM privé est conçu pour supprimer.

Conseils d’indexation qui portent leurs fruits plus tard

Capturez les métadonnées par fichier pendant la conversion : chemin source, chemin de sortie, extension d'origine, horodatage de la conversion, et tout projet, année ou entité pouvant être déduit de la structure des dossiers. Poussez ces métadonnées dans le magasin vectoriel en tant que champs filtrables.

Récupération d'échantillons de test contre quelques questions historiques connues avant de déclarer l'archive prête pour le RAG. La bonne question révèle souvent des onglets ou des hypothèses qui doivent être inclus dans l'index.

Arrêtez de construire un RAG sur une archive partielle

Un LLM privé n'est aussi intelligent que le corpus qu'il peut consulter. Convertissez une fois l'archive des tableurs anciens, indexez-la avec des métadonnées, et laissez enfin le modèle lire ce que l'entreprise sait réellement.