🤖 AI

ProfiliTable: Profiling-Driven Tabular Data Processing via Agentic Workflows

ProfiliTable est un cadre multi-agent autonome qui exploite le profilage dynamique, la synthèse de code enrichie par des connaissances et une boucle de rétroaction fermée pour transformer de manière fiable des intentions utilisateur ambiguës en pipelines de traitement de données tabulaires robustes et conformes à la gouvernance, surpassant les bases de référence existantes dans des scénarios complexes à multiples étapes.

Auteurs originaux : Wei Liu, Yang Gu, Xi Yan, Zihan Nan, Beicheng Xu, Keyao Ding, Bin Cui, Wentao Zhang

Publié 2026-05-13

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Wei Liu, Yang Gu, Xi Yan, Zihan Nan, Beicheng Xu, Keyao Ding, Bin Cui, Wentao Zhang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous ayez une feuille de calcul massive et désordonnée remplie de données réelles. Peut-être s'agit-il de registres de ventes avec des prix manquants, de listes de clients avec des formats de date incohérents, ou de journaux d'inventaire où « NA » signifie quelque chose de différent dans chaque colonne. Votre patron vous donne une instruction vague : « Corrigez la colonne devise et assurez-vous que les dates sont toutes standardisées. »

Si vous demandez à une IA standard (comme un modèle de langage de base) de le faire, elle pourrait écrire un code qui semble parfait sur le papier mais échoue dans la réalité. Elle pourrait supposer que « devise » signifie des dollars, alors que les données utilisent en réalité des euros, des yens, ou même des notes manuscrites. C'est comme un chef essayant de cuisiner une recette sans jamais goûter les ingrédients au préalable.

ProfiliTable est un nouveau système conçu pour résoudre ce problème. Au lieu de simplement deviner, il agit comme une équipe d'enquêteurs experts en données qui travaillent ensemble pour comprendre les données avant d'essayer de les corriger.

Voici comment cela fonctionne, en utilisant des analogies simples :

1. Le Problème : Le « Peintre Aveugle »

Les outils d'IA actuels tentent souvent de peindre un tableau (écrire du code) sans regarder la toile (les données réelles). Ils se fient à des règles générales. Si vous leur demandez de « standardiser la devise », ils pourraient simplement écrire un script générique. Si les données contiennent des symboles étranges ou des valeurs inattendues, le script plante ou produit des absurdités. Ils sont « aveugles » aux particularités spécifiques de vos données.

2. La Solution : Une Équipe d'Agents Spécialisés

ProfiliTable n'utilise pas un seul grand cerveau ; il utilise une équipe d'agents spécialisés qui communiquent entre eux en boucle. Imaginez une équipe de construction où chacun a un travail spécifique :

L'Interprète (Le Chef de Projet) :
Cet agent écoute votre instruction vague (« Corrigez la devise ») et détermine exactement ce qui doit être fait. Il décide s'il s'agit d'une tâche simple en une étape ou d'un projet complexe à plusieurs étapes.
Le Profileur (L'Enquêteur) :
C'est la partie nouvelle la plus importante. Avant d'écrire du code, le Profileur pénètre dans l'entrepôt de données et commence à enquêter. Il ne se contente pas de regarder les noms des colonnes ; il échantillonne réellement les données.
- Analogie : Si vous demandez au Profileur de « corriger la devise », il ne devine pas. Il sort une loupe, examine les valeurs réelles et dit : « Ah, je vois 'USD', '€' et 'Yen' mélangés à des fautes de frappe comme 'dollars'. » Il construit une carte détaillée de ce à quoi les données ressemblent réellement.
Le Générateur (Le Bâtisseur) :
Maintenant que le Bâtisseur sait exactement à quoi ressemblent les données (grâce au Profileur) et dispose d'une bibliothèque d'outils pré-testés (comme une boîte à outils de scripts spécifiques « corriger la devise » ou « corriger les dates »), il écrit le code. Parce qu'il a la carte, il ne devine pas ; il construit une solution adaptée au désordre spécifique qu'il a trouvé.
L'Évaluateur et le Récapitulatif (Les Inspecteurs) :
Une fois le code exécuté, ces agents vérifient le résultat. A-t-il réellement résolu le problème ?
- Analogie : Si le code a laissé certains symboles « € » derrière lui, le Récapitulatif ne dit pas simplement « Erreur ». Il enquête sur pourquoi et dit au Bâtisseur : « Vous avez manqué les symboles Euro parce que vous n'avez pas vérifié la deuxième page du fichier. »
La Boucle (Le Cycle d'Affinement) :
Si l'Inspecteur trouve une erreur, l'équipe ne renonce pas. Elle renvoie cette rétroaction au Profileur et au Bâtisseur. Le Profileur retourne enquêter sur la partie spécifique qui a échoué, et le Bâtisseur réessaie avec de meilleures informations. Cela se poursuit jusqu'à ce que les données soient propres.

3. Pourquoi C'est Mieux

L'article affirme que cette approche de « Profilage Dynamique » est un changement de paradigme pour trois raisons :

Il arrête de deviner : En explorant activement les données en premier, le système évite le code « syntaxiquement correct mais sémantiquement défectueux » qui afflige les autres outils d'IA.
Il gère la complexité : Les problèmes de données réels nécessitent souvent de nombreuses étapes (nettoyer, puis trier, puis fusionner). ProfiliTable décompose ces gros problèmes en petites tâches gérables, les résolvant une par une.
Il est fiable : Dans leurs tests, ProfiliTable était le seul système capable d'exécuter avec succès du code pour 100 % des tâches, même les plus difficiles. Les autres systèmes plantaient souvent ou produisaient du code qui ne pouvait pas du tout être exécuté.

La Conclusion

ProfiliTable change la façon dont l'IA traite les données. Au lieu d'appliquer aveuglément une règle, il agit comme un expert humain : il regarde les données, comprend leurs particularités uniques, planifie une correction spécifique, construit la solution et vérifie le travail avant de le considérer comme terminé. Cela le rend beaucoup plus fiable pour transformer des feuilles de calcul réelles et désordonnées en données propres et utilisables.

Résumé Technique : ProfiliTable

Énoncé du Problème

Le traitement des tableaux — englobant le nettoyage, la transformation, l'enrichissement et la mise en correspondance — constitue une étape fondamentale mais hautement sujette aux erreurs dans les pipelines de données réels. Bien que les modèles de langage de grande taille (LLM) aient montré leur potentiel pour automatiser ces tâches en générant du code exécutable (par exemple, pandas ou SQL) à partir d'instructions en langage naturel, les approches actuelles souffrent de limitations significatives. Les méthodes existantes peinent souvent à gérer des instructions ambiguës, des structures de tâches complexes multi-étapes et un manque de retour d'information structuré. Par conséquent, elles produisent fréquemment du code qui est syntaxiquement correct mais sémantiquement défectueux.

Plus précisément, de nombreux agents existants reposent sur un profilage statique et basé sur des règles ou un échantillonnage limité (par exemple, l'inspection de quelques lignes uniquement), ce qui échoue à capturer la gamme complète des valeurs de données nécessaire pour interpréter des intentions utilisateur vagues (par exemple, « standardiser la colonne devise »). Sans une exploration active et adaptative du contenu réel des données, les agents ne peuvent pas construire de tables de mappage appropriées ni gérer les nuances spécifiques à un domaine, ce qui entraîne des performances fragiles dans les environnements de production.

Méthodologie : ProfiliTable

Pour répondre à ces défis, les auteurs proposent ProfiliTable, un cadre autonome multi-agents centré sur le profilage dynamique. Contrairement à la consommation passive de métadonnées, ProfiliTable traite le profilage comme un processus actif et itératif de construction sémantique qui évolue grâce à l'interaction, au retour d'information et à l'intégration des connaissances.

Le cadre fonctionne comme un pipeline en boucle fermée, auto-améliorant, impliquant plusieurs agents spécialisés :

Interprète : Analyse l'instruction en langage naturel de l'utilisateur pour déterminer la complexité de la tâche (étape unique vs multi-étapes) et achemine la demande en conséquence.
Profilant : Agit comme le module d'ancrage sémantique. Il emploie une boucle d'exploration de style ReAct (Raisonnement + Action) pour interroger activement les tables d'entrée brutes. Au lieu de se fier uniquement aux métadonnées du schéma, il exécute des actions légères (par exemple, échantillonner des valeurs uniques, calculer des distributions) pour formuler et tester des hypothèses sur la qualité et la structure des données. Cela génère un résumé de profilage dynamique ( $p^{(t)}$ ) qui fait le pont entre l'intention linguistique et la réalité tabulaire.
Décomposeur : Pour les tâches multi-étapes, cet agent décompose les instructions complexes en une séquence ordonnée de sous-tâches atomiques, permettant la récupération ciblée d'opérateurs pour chaque étape.
Générateur : Synthétise du code exécutable en ancrant l'intention de l'utilisateur et le résumé de profilage actuel dans un cadre de Génération Augmentée par Récupération (RAG). Il récupère des modèles d'opérateurs curatés et pré-validés à partir d'une base de connaissances pour garantir que le code généré repose sur des primitives fiables et spécifiques au domaine.
Évaluateur : Exécute le code généré dans un environnement isolé (sandbox) et calcule un score spécifique à la tâche ( $s^{(t)}$ ) en utilisant une logique alignée sur la vérité terrain (par exemple, score F1), garantissant ainsi que le code « exécutable » est également « correct ».
Résumé : Opère dans une boucle de style ReAct sur la table traitée pour valider l'alignement avec l'intention originale. Il formule des hypothèses de vérification, exécute des actions de validation légères et fournit des insights diagnostiques ( $\tau^{(t)}$ ) concernant les sous-objectifs non satisfaits.
Finaliseur : Gère la terminaison de la boucle itérative. Il sélectionne le candidat le plus performant parmi toutes les itérations si le seuil de succès n'est pas atteint, garantissant que le flux de travail renvoie le résultat le plus précis observé.

L'innovation centrale est le Contexte Unifié de Profilage Dynamique ( $P^{(t)}$ ), qui intègre itérativement le résumé de profilage actif, les opérateurs récupérés et l'historique des retours d'information pour guider la génération et l'affinement ultérieurs du code.

Contributions Clés

L'article expose trois contributions principales :

Le Cadre ProfiliTable : Un système multi-agents autonome qui unifie l'exploration interactive, l'affinement piloté par le retour d'information et la synthèse augmentée par les connaissances sous un paradigme de profilage dynamique pour surmonter la fragilité de la génération de code LLM en une seule tentative.
Un Benchmark Complet : La construction d'un benchmark comprenant 18 types distincts de tâches de traitement de tableaux, catégorisés en nettoyage, transformation, enrichissement et mise en correspondance, conçu pour mieux refléter les défis de curation réels que les benchmarks existants.
Validation Empirique : Des expériences extensives démontrant que ProfiliTable atteint des performances de pointe (SOTA) dans les contextes d'étapes uniques et complexes multi-étapes, avec des gains constants en matière de correction, d'exhaustivité et de fiabilité d'exécution par rapport à des bases de référence solides.

Résultats Expérimentaux

Les expériences ont été menées en utilisant GPT-4o et GPT-5.2 comme modèles sous-jacents, comparant ProfiliTable à des bases de référence telles que MetaGPT, CAMEL, ChatDev, CleanAgent et DataGovAgent.

Tâches en Étape Unique : ProfiliTable a obtenu un Score Moyen de Tâche (ATS) de 86,82 (GPT-4o) et 89,66 (GPT-5.2), surpassant significativement les deuxièmes meilleures bases de référence (MetaGPT à 56,21 et ChatDev2.0 à 70,02, respectivement).
Tâches Multi-Étapes : ProfiliTable a établi un nouveau SOTA avec des scores ATS de 80,19 (GPT-4o) et 82,49 (GPT-5.2). Crucialement, c'était la seule méthode à atteindre un Taux d'Exécutabilité par Tâche (TRR) de 100 % dans les contextes multi-étapes, garantissant que chaque tâche produisait une sortie exécutable.
Efficacité : Malgré la nature itérative du cadre, ProfiliTable a démontré une haute efficacité des coûts. Il a utilisé le nombre moyen de tokens le plus faible parmi les meilleurs performants (par exemple, ~24 907 tokens pour GPT-5.2 en étape unique) tout en maintenant une haute précision, traçant une frontière de Pareto optimale entre le coût en tokens et la qualité de la solution.
Études d'Ablation : La suppression de n'importe quel composant central (Profilant, Retour d'information, RAG ou Décomposeur) a entraîné une dégradation des performances. Le mécanisme de retour d'information a été identifié comme le composant le plus critique, sa suppression provoquant la baisse de performance la plus sévère, en particulier dans les scénarios multi-étapes.

Importance et Revendications

Les auteurs affirment que ProfiliTable met en évidence le rôle crucial du profilage dynamique dans la traduction fiable d'intentions utilisateur ambiguës en transformations de tableaux robustes et conformes à la gouvernance. L'article soutient que le traitement fiable des tableaux nécessite plus que de simples LLM puissants ; il exige des flux de travail structurés et réflexifs qui traitent les tableaux comme des artefacts dynamiques et riches sémantiquement.

En passant d'un profilage statique et piloté par des règles à une exploration active et pilotée par des hypothèses, ProfiliTable adresse la « fragilité » des agents actuels. La capacité du cadre à atteindre des taux d'exécutabilité de 100 % dans des scénarios complexes multi-étapes le positionne comme un candidat viable pour un déploiement en production, où la fiabilité d'exécution est aussi importante que la correction du code. Ce travail suggère un nouveau paradigme d'« agentivité pilotée par le profilage », où des systèmes itératifs, interactifs et conscients des échecs sont essentiels pour automatiser les tâches centrées sur les données.