A Compact Formula-Aware Spreadsheet Abstraction for Large Language Models

Sintesi Tecnica: Un'astrazione di fogli di calcolo compatta e consapevole delle formule per i Large Language Models

Enunciato del Problema
Il documento affronta il disallineamento fondamentale tra la natura bidimensionale e strutturata dei fogli di calcolo e le capacità di elaborazione testuale sequenziale e lineare dei Large Language Models (LLM). Sebbene gli LLM siano sempre più utilizzati per compiti relativi ai fogli di calcolo (costruzione di modelli, generazione di formule, analisi), gli approcci "vanilla" attuali — che convertono direttamente gli intervalli del foglio di calcolo in formati testuali grezzi come JSON, Markdown o HTML — soffrono di quattro criticità fondamentali:

1. Inesattezza: Gli LLM faticano a interpretare con precisione le strutture tabulari, restituendo spesso valori di cella errati o identificando erroneamente le relazioni, anche in dataset di piccole dimensioni.
2. Inefficienza dei Token: La trasmissione dell'intero contenuto del foglio di calcolo per file grandi e complessi comporta un consumo eccessivo di token, aumentando costi e latenza.
3. Limiti di Capacità: I fogli di calcolo di grandi dimensioni superano frequentemente i limiti della finestra di contesto degli attuali modelli, portando al rifiuto delle query.
4. Negligenza delle Formule: Le rappresentazioni vanilla spesso trattano le formule come testo opaco o le omettono del tutto, fallendo nel sfruttare le informazioni semantiche contenute nei pattern delle formule (ad es. la notazione R1C1), che sono cruciali per l'automazione e il rilevamento degli errori.

Metodologia
L'autore propone un'astrazione di foglio di calcolo compatta e consapevole delle formule che funge da strato intermedio tra il foglio di calcolo grezzo e l'LLM. Questo metodo si basa sull'analisi statica per rilevare e strutturare il foglio di calcolo prima della serializzazione.

• Costruzione dell'Astrazione: Il sistema scansiona il foglio di lavoro per partizionare le celle non vuote in intervalli non sovrapposti e singole celle.

  • Intervalli Omogenei: Vengono identificati ampi elenchi verticali che condividono un singolo tipo di dato (Testo, Data, Numero, Valuta) e, dove applicabile, un singolo pattern di formula R1C1.
  • Rappresentazione: Invece di trasmettere ogni valore di cella, questi intervalli sono rappresentati dalla loro posizione, dal tipo di dato, dal pattern di formula R1C1 e da valori limite selezionati (celle superiori/inferiori o bordi).
  • Rilevamento Intestazioni: L'algoritmo identifica le intestazioni delle tabelle (spesso una riga sopra un elenco di dati) e le separa dal payload dei dati, fornendo esplicitamente i valori delle intestazioni e astrando le righe dei dati.
  • Tolleranza al Rumore: L'algoritmo è progettato per ignorare le celle vuote isolate all'interno di tabelle altrimenti coerenti per evitare la frammentazione.

• Processo Algoritmico:

  1. Identificazione dei Semi (Seed): L'algoritmo identifica innanzitutto elenchi verticali affidabili basati su pattern di formula R1C1 ripetuti (ad es. una colonna di calcoli).
  2. Propagazione delle Dipendenze: Traccia le dipendenze delle formule per identificare altri elenchi omogenei referenziati dai semi.
  3. Espansione Basata sul Tipo: Identifica ulteriori ampi elenchi omogenei basandosi sui tipi di dati.
  4. Raggruppamento delle Tabelle: Gli elenchi vicini con altezze e posizioni compatibili vengono raggruppati in "tabelle principali".
  5. Serializzazione: Viene generato un riepilogo testuale che descrive intestazioni, posizioni degli intervalli, tipi, formule e valori limite.

• Protocollo di Interazione:

  1. L'astrazione viene inviata all'LLM insieme alla query dell'utente.
  2. L'LLM determina se l'astrazione contiene informazioni sufficienti per rispondere alla query (ad es. per la generazione di formule).
  3. Se sono necessari dati specifici (ad es. per l'analisi dei dati), l'LLM richiede solo gli intervalli rilevanti, minimizzando l'uso dei token rispetto all'invio dell'intero foglio.

Contributi Chiave

1. Astrazione Compatta: Un metodo di rappresentazione innovativo che cattura le caratteristiche di alto livello del foglio di calcolo (struttura, tipi, formule) senza trasmettere interi payload di dati.
2. Algoritmo di Rilevamento: Un algoritmo efficiente e a basso costo per il rilevamento di ampi intervalli omogenei e tabelle principali, utilizzando i pattern delle formule come semi per la scoperta strutturale.
3. Valutazione Empirica: Una valutazione rigorosa su 50 casi reali di query di fogli di calcolo confrontando l'approccio di astrazione con l'approccio vanilla utilizzando GPT-4.1.

Risultati della Valutazione
Lo studio ha valutato affidabilità, efficienza e accuratezza attraverso 50 casi riguardanti compiti come la generazione di formule, l'ottimizzazione e l'analisi dei dati:

• Risoluzione delle Query senza Contenuto: 12 casi su 50 sono stati risolti correttamente utilizzando solo l'astrazione, senza richiedere dati dettagliati delle celle. Altri 11 casi sono stati risolti utilizzando l'astrazione più un contesto minimo, mentre l'approccio vanilla richiedeva la trasmissione di tutti i dati per quasi tutte le query.
• Riduzione di Token e Dati: Nei casi che richiedevano dati aggiuntivi, l'approccio di astrazione ha identificato intervalli significativamente più precisi. Ha ridotto il volume di celle richieste del 77% e il consumo totale di token durante l'interazione dell'86%.
• Affidabilità e Accuratezza: In un protocollo di esecuzione ripetuta (3 esecuzioni per caso), l'approccio vanilla ha fallito in almeno un'esecuzione in 22 casi. L'approccio di astrazione ha migliorato significativamente l'affidabilità, raggiungendo un tasso di successo del 100% (tutte e tre le esecuzioni corrette) in 16 di questi 22 casi. L'autore attribuisce ciò al fatto che l'astrazione fornisce uno scaffold strutturale più chiaro, aiutando l'LLM a localizzare i contenuti e comprendere le relazioni con maggiore precisione.

Significatività e Rivendicazioni
Il documento sostiene che questo strato di astrazione funge da critico "scaffold" (impalcatura) per i compiti di foglio di calcolo assistiti dall'IA. Passando dalla trasmissione di dati grezzi a una rappresentazione strutturale e consapevole delle formule, il metodo:

• Decoppia Struttura e Dati: Permette agli LLM di ragionare sulla logica del foglio di calcolo e generare formule senza essere sopraffatti dal volume dei dati.
• Migliora l'Affidabilità: Mitiga le allucinazioni degli LLM e le interpretazioni strutturali errate comuni negli approcci vanilla.
• Ottimizza i Costi: Riduce drasticamente l'uso dei token e i tempi di elaborazione, rendendo l'integrazione dell'IA fattibile per fogli di calcolo aziendali di grandi dimensioni.

L'autore posiziona questo lavoro come un'applicazione specifica dell'interpretazione astratta (una tecnica di analisi statica precedentemente utilizzata per la verifica delle proprietà dei fogli di calcolo) nel dominio dell'interazione con gli LLM. Sottolinea che, a differenza dei lavori precedenti focalizzati esclusivamente sull'estrazione dei dati o sulla strutturazione delle tabelle per l'indicizzazione umana, il loro metodo è esplicitamente ottimizzato per il consumo da parte degli LLM, sfruttando la semantica delle formule per guidare la rilevazione strutturale.

Limitazioni e Direzioni Future
L'autore riconosce che l'attuale algoritmo si concentra principalmente su elenchi verticali omogenei e non gestisce ancora ampi elenchi orizzontali, dati dispersi irregolari, celle unite o indizi di formattazione (colori, testo in grassetto) che trasmettono significato semantico. Si propone come lavoro futuro l'estensione dell'astrazione a queste aree e la combinazione di questa analisi statica con altre tecniche di sicurezza dell'IA, come lo sviluppo guidato dai test (TDD) e la verifica deterministica degli output generati dall'IA.