Voorbereiden van Microsoft Works Spreadsheetarchieven voor AI- en RAG-zoekopdrachten

TL;DR

LLM- en RAG-pijplijnen kunnen .wks-, .xlr-, .wpt- of .wps-bestanden niet direct indexeren. Zet oudere spreadsheets lokaal om naar CSV, Markdown en XLSX voordat ze de pijplijn binnengaan. CSV en Markdown zijn de beste invoer voor embedding en ophalen; XLSX en PDF ondersteunen de menselijke beoordeling van wat het model te zien krijgt.

AI kan niet gebruiken wat het niet kan lezen

De meeste retrieval- en embedding-pijplijnen slaan stilletjes verouderde spreadsheet-binaries over. Het resultaat is een privé RAG-systeem dat vol vertrouwen vragen beantwoordt op basis van een fractie van de daadwerkelijke kennis van het bedrijf — vaak zonder dat iemand beseft wat er is weggelaten.

Het moderniseren van het archief is de onflatteuze maar noodzakelijke voorwaarde: schone, open formaten ontsluiten de spreadsheetgeschiedenis die oude formaten in het duister hielden.

Beste doelformaten voor RAG

1. CSV voor tabelinbedding

CSV is de schoonste tabelinvoer. Elke rij wordt een klein, voorspelbaar stukje; kolommen worden natuurlijke metadata. Koppel CSV met rijniveau-metadata in de index om te filteren op jaar, entiteit of bronbestand.

2. Markdown voor verhalende tabbladen

Veel Microsoft Works bestanden bevatten narratieve tabbladen—aannames, wijzigingslogboeken, managementsamenvattingen. Markdown is vriendelijker voor LLM-tokenisatie dan HTML of PDF tekst, dus samenvattingstabbladen vormen betere citaten na conversie.

3. XLSX en PDF voor menselijke beoordeling

Wanneer een beoordelaar moet zien wat het model te zien kreeg, zijn XLSX en PDF de formaten die zij verwachten. Houd ze naast de CSV/Markdown zodat verwijzingen naar het model visueel achterhaald kunnen worden.

Houd de conversatie privé

Als het archief financiële, klant-, werknemers- of operationele gegevens bevat, moet de conversie plaatsvinden voordat een stap in de cloud-AI wordt uitgevoerd—en bij voorkeur binnen dezelfde gecontroleerde omgeving die de rest van de RAG-pijplijn host.

Gratis online converters zijn de verkeerde afhankelijkheid voor een privacy-respecterend AI-systeem. Ze herintroduceren precies de vragen over gegevensresidentie die een privé-LLM bedoeld is te verwijderen.

Indexeringstips die later lonen

Leg per-bestand metadata vast tijdens conversie: bronpad, uitvoerpad, oorspronkelijke extensie, conversietijdstip en elk project, jaar of entiteit dat kan worden afgeleid uit de mappenstructuur. Duw die metadata in de vectorstore als filterbare velden.

Voorbeeld-test ophalen tegen een paar bekende historische vragen voordat het archief RAG-klaar wordt verklaard. De juiste vraag onthult vaak tabs of aannames die in de index moeten komen.

Stop met het bouwen van RAG op een gedeeltelijk archief

Een privékunstmatig taalmodel is slechts zo slim als de corpus die het kan zien. Converteer het oude spreadsheetarchief één keer, indexeer het met metadata, en laat het model eindelijk lezen wat het bedrijf daadwerkelijk weet.