Microsoft en quête d’un modèle d’IA pour tableurs

Les tableurs contiennent énormément de données, mais sont difficiles à comprendre pour un modèle d’IA. Le géant technologique veut y apporter des changements, mais cela s’avère plus compliqué que prévu.

Des chercheurs de Microsoft ont créé une plate-forme qui devrait permettre aux grands modèles de langage (LLM) d’analyser le contenu des tableurs. Le tableur est peut-être le modèle de travail préféré de nombreux comptables professionnels, mais le système n’est pas intuitif à utiliser. Les chercheurs le remarquent désormais également, lorsqu’ils y appliquent un LLM.

Dans un rapport, Microsoft affirme que les tableurs de nombreuses entreprises contiennent d’énormes quantités de données, mais sont difficiles à lire pour un modèle d’IA. Le grand nombre de lignes et de colonnes ‘ne facilite en outre guère la compréhension de la disposition et de la structure des données’, selon les chercheurs. Cela rend pénible le travail de l’IA générative (et de la plupart des gens aussi, honnêtement parlant).

SpreadsheetLLM

Pour y remédier, les chercheurs proposent désormais un outil d’analyse, SpreadsheetLLM, qui devrait cataloguer les données au moyen de l’IA. Il prend en compte, entre autres choses, l’adresse de la cellule et d’autres données contextuelles, de sorte que le grand modèle de langage attribue une valeur correcte aux données, du moins l’espère-t-on.

Cependant, avec cette méthode, la recherche s’est heurtée à un nouvel obstacle: la quantité de jetons ou de données qu’un LLM peut raisonnablement contenir. Voilà pourquoi les chercheurs ont créé une deuxième structure: SheetCompressor. Cet outil doit d’abord fusionner les données sous une forme plus petite. De cette manière, la quantité de jetons extraits d’un tableur pourrait être réduite jusqu’à 96 pour cent.

L’objectif de l’ensemble de la structure est de donner finalement aux entreprises la possibilité d’utiliser l’IA générative pour mettre au point un assistant capable également de gérer les tableurs. Voilà qui pourrait par exemple permettre aux utilisateurs d’interroger et d’analyser les données d’un tableur au moyen d’un langage humain, sans être obnubilés par un mur de chiffres.