Il peut être difficile de faire comprendre une feuille de calcul à un modèle d’IA générative. Pour tenter de résoudre ce problème, les chercheurs de Microsoft ont publié le 12 juillet sur Arxiv un article décrivant SpreadsheetLLM, un framework d’encodage permettant aux grands modèles de langage de « lire » des feuilles de calcul.
SpreadsheetLLM pourrait « transformer la gestion et l’analyse des données des feuilles de calcul, ouvrant la voie à des interactions utilisateur plus intelligentes et plus efficaces », ont écrit les chercheurs.
L’un des avantages de SpreadsheetLLM pour les entreprises serait d’utiliser des formules dans des feuilles de calcul sans apprendre à les utiliser en posant des questions au modèle d’IA en langage naturel.
Pourquoi les feuilles de calcul sont-elles un défi pour les LLM ?
Les feuilles de calcul constituent un défi pour les LLM pour plusieurs raisons.
- Les feuilles de calcul peuvent être très volumineuses, dépassant le nombre de caractères qu’un LLM peut digérer à la fois.
- Les feuilles de calcul sont des « présentations et structures bidimensionnelles », comme le dit le rapport, par opposition aux « entrées linéaires et séquentielles » avec lesquelles les LLM fonctionnent bien.
- Les LLM ne sont généralement pas formés pour interpréter les adresses cellulaires et les formats de feuille de calcul spécifiques.
Les chercheurs de Microsoft ont utilisé une technique en plusieurs étapes pour analyser les feuilles de calcul
SpreadsheetLLM comprend deux parties principales :
- Compresseur de feuillesqui est un cadre permettant de réduire les feuilles de calcul dans des formats que les LLM peuvent comprendre.
- Chaîne de feuilles de calculqui est une méthodologie permettant d’enseigner à un LLM comment identifier les bonnes parties d’une feuille de calcul compressée à « regarder » lorsqu’on lui présente une question et pour générer une réponse.
SheetCompressor dispose de trois modules :
- Ancrages structurels qui aident les LLM à identifier les lignes et les colonnes de la feuille de calcul.
- Une méthode permettant de réduire le nombre de jetons nécessaires au LLM pour interpréter la feuille de calcul.
- Une technique permettant d’améliorer l’efficacité en regroupant des cellules similaires.
Grâce à ces modules, l’équipe a réduit de 96 % le nombre de jetons nécessaires à l’encodage des feuilles de calcul. Cela a permis une légère amélioration (12,3 %) par rapport aux travaux d’une autre équipe de recherche de premier plan visant à aider les LLM à comprendre les feuilles de calcul. Les chercheurs ont testé leur méthode d’identification des feuilles de calcul avec ces LLM :
- GPT-4 et GPT-3.5 d’OpenAI.
- Le Lama 2 et le Lama 3 de Meta.
- Phi-3 de Microsoft.
- Mistral-v2 de Mistral AI.
Pour les capacités de la chaîne de feuille de calcul, ils ont utilisé GPT-4.
Que signifie SpreadsheetLLM pour les efforts d’IA de Microsoft ?
L’avantage évident pour Microsoft est de permettre à son assistant IA Copilot, qui fonctionne dans de nombreuses applications de la suite Microsoft 365, de faire plus dans Excel. SpreadsheetLLM représente l’effort continu pour rendre l’IA générative pratique – et l’ouverture d’Excel à des personnes qui n’ont pas été formées à ses fonctionnalités les plus avancées pourrait être un bon créneau dans lequel l’IA générative pourrait se développer.
Utilisation dans le monde réel et prochaines étapes de cette recherche Microsoft
Une amélioration de 12,3 % par rapport aux résultats d’une précédente équipe de recherche de premier plan est pour l’instant plus significative sur le plan académique qu’économique. L’IA générative est connue pour inventer des choses, et des hallucinations qui se déversent dans une feuille de calcul pourraient rendre d’énormes pans de données inutiles. Comme le soulignent les chercheurs, amener un LLM à comprendre le format d’une feuille de calcul – c’est-à-dire à quoi ressemble généralement une feuille de calcul et comment elle fonctionne – est différent d’amener le LLM à générer des données compréhensibles et précises à l’intérieur de ces cellules.
De plus, cette méthodologie nécessite beaucoup de puissance de calcul et plusieurs passages dans un LLM pour générer une réponse. De plus, l’assistant Excel de votre bureau peut être en mesure d’extraire une réponse en quelques minutes sans utiliser autant d’énergie.
À l’avenir, l’équipe de recherche souhaite inclure un moyen d’encoder des détails tels que la couleur d’arrière-plan des cellules et d’approfondir la compréhension par les LLM de la manière dont les mots dans les cellules sont liés les uns aux autres.
Moyens I/O a contacté Microsoft pour obtenir plus d’informations.
Soutenez notre effort ❤️
Si vous avez apprécié cet article, pensez à laisser un pourboire pour nous aider à continuer à publier du contenu de qualité.
