Preparazione degli archivi di fogli di calcolo Microsoft Works per la ricerca AI e RAG

TL;DR

I pipeline LLM e RAG non possono indicizzare direttamente i file .wks, .xlr, .wpt o .wps. Converti i vecchi fogli di calcolo localmente in CSV, Markdown e XLSX prima che entrino nel pipeline. CSV e Markdown sono gli input migliori per embedding e retrieval; XLSX e PDF supportano la revisione umana di ciò che viene mostrato al modello.

L'IA non può usare ciò che non può leggere

La maggior parte dei flussi di lavoro di recupero e embedding ignora silenziosamente i vecchi file binari di fogli di calcolo. Il risultato è un sistema RAG privato che risponde con sicurezza alle domande su una parte della conoscenza effettiva dell'azienda, spesso senza che nessuno si renda conto di ciò che è stato escluso.

Modernizzare l'archivio è la condizione preliminare poco glamorosa ma necessaria: formati puliti e aperti sbloccano la storia dei fogli di calcolo che i formati legacy tenevano nascosta.

I migliori formati target per RAG

1. CSV per l'embedding tabellare

CSV è l'input tabellare più pulito. Ogni riga diventa un piccolo frammento prevedibile; le colonne diventano metadati naturali. Abbina CSV con metadati a livello di riga nell'indice per filtrare per anno, entità o file di origine.

2. Markdown per schede narrative

Molti file Microsoft Works includono schede narrative—ipotesi, registri delle modifiche, sintesi esecutive. Markdown è più amichevole alla tokenizzazione LLM rispetto al testo HTML o PDF, quindi le schede di sintesi costituiscono citazioni migliori dopo la conversione.

3. XLSX e PDF per la revisione umana

Quando un revisore ha bisogno di vedere cosa è stato mostrato al modello, XLSX e PDF sono i formati che si aspettano. Tienili accanto a CSV/Markdown in modo che le citazioni del modello possano essere tracciate visivamente.

Mantieni la conversazione privata

Se l'archivio include dati finanziari, dei clienti, dei dipendenti o operativi, la conversione dovrebbe avvenire prima di qualsiasi fase di AI cloud—e preferibilmente all'interno dello stesso ambiente controllato che ospita il resto della pipeline RAG.

I convertitori online gratuiti sono la dipendenza sbagliata per un sistema AI che rispetta la privacy. Reintroducono esattamente le questioni sulla residenza dei dati che un LLM privato è progettato per eliminare.

Consigli per l'indicizzazione che ripagano in seguito

Cattura i metadata per singolo file durante la conversione: percorso di origine, percorso di output, estensione originale, timestamp della conversione e qualsiasi progetto, anno o entità che può essere dedotto dalla struttura delle cartelle. Inserisci quei metadata nel deposito vettoriale come campi filtrabili.

Recupero di test di esempio rispetto a alcune domande storiche note prima di dichiarare l'archivio pronto per RAG. La domanda giusta spesso rivela schede o assunzioni che devono essere inserite nell'indice.

Smetti di costruire RAG su un archivio parziale

Un LLM privato è intelligente solo quanto il corpus che può vedere. Converti una volta l'archivio di fogli di calcolo legacy, indicizzalo con metadati e lascia che il modello legga finalmente ciò che l'azienda sa realmente.