A Compact Formula-Aware Spreadsheet Abstraction for Large Language Models

Resumo Técnico: Uma Abstração de Planilha Compacta e Sensível a Fórmulas para Grandes Modelos de Linguagem

Declaração do Problema
O artigo aborda o descompasso fundamental entre a natureza bidimensional e estruturada das planilhas e as capacidades de processamento de texto sequencial e linear dos Grandes Modelos de Linguagem (LLMs). Embora os LLMs sejam cada vez mais utilizados para tarefas de planilhas (construção de modelos, geração de fórmulas, análise), as abordagens "vanilla" atuais — que convertem intervalos de planilhas diretamente em formatos de texto bruto como JSON, Markdown ou HTML — sofrem de quatro limitações críticas:

1. Imprecisão: Os LLMs têm dificuldade em interpretar precisamente estruturas tabulares, frequentemente retornando valores de células incorretos ou identificando erroneamente relacionamentos, mesmo em conjuntos de dados pequenos.
2. Ineficiência de Tokens: Transmitir o conteúdo completo da planilha para arquivos grandes e complexos resulta em consumo excessivo de tokens, aumentando custos e latência.
3. Limites de Capacidade: Planilhas grandes frequentemente excedem os limites da janela de contexto dos modelos atuais, levando à rejeição de consultas.
4. Negligência de Fórmulas: As representações vanilla frequentemente tratam fórmulas como texto opaco ou as omitem inteiramente, falhando em aproveitar a informação semântica contida nos padrões de fórmulas (ex: notação R1C1), que é crucial para automação e detecção de erros.

Metodologia
O autor propõe uma abstração de planilha compacta e sensível a fórmulas que atua como uma camada intermediária entre a planilha bruta e o LLM. Este método baseia-se em análise estática para detectar e estruturar a planilha antes da serialização.

• Construção da Abstração: O sistema varre a planilha para particionar células não vazias em intervalos não sobrepostos e células individuais.

  • Intervalos Homogêneos: Grandes listas verticais que compartilham um único tipo de dado (Texto, Data, Número, Moeda) e, quando aplicável, um único padrão de fórmula R1C1 são identificados.
  • Representação: Em vez de transmitir cada valor de célula, esses intervalos são representados por sua localização, tipo de dado, padrão de fórmula R1C1 e valores de borda selecionados (células superior/inferior ou de extremidade).
  • Detecção de Cabeçalho: O algoritmo identifica cabeçalhos de tabela (frequentemente uma linha acima de uma lista de dados) e os separa da carga útil de dados, fornecendo explicitamente os valores do cabeçalho enquanto abstrai as linhas de dados.
  • Tolerância a Ruído: O algoritmo é projetado para ignorar células vazias isoladas dentro de tabelas coerentes para evitar fragmentação.

• Processo Algorítmico:

  1. Identificação de Sementes: O algoritmo primeiro identifica listas verticais confiáveis baseadas em padrões de fórmula R1C1 repetidos (ex: uma coluna de cálculos).
  2. Propagação de Dependência: Ele rastreia as dependências de fórmulas para identificar outras listas homogêneas referenciadas pelas sementes.
  3. Expansão Baseada em Tipo: Identifica listas homogêneas adicionais baseadas em tipos de dados.
  4. Agrupamento de Tabelas: Listas vizinhas com alturas e posições compatíveis são agrupadas em "tabelas principais".
  5. Serialização: Um resumo textual é gerado, descrevendo cabeçalhos, localizações de intervalos, tipos, fórmulas e valores de extremidade.

• Protocolo de Interação:

  1. A abstração é enviada ao LLM junto com a consulta do usuário.
  2. O LLM determina se a abstração contém informações suficientes para responder à consulta (ex: para geração de fórmulas).
  3. Se dados específicos forem necessários (ex: para análise de dados), o LLM solicita apenas os intervalos relevantes, minimizando o uso de tokens em comparação ao envio de toda a planilha.

Principais Contribuições

1. Abstração Compacta: Um método de representação inovador que captura características de alto nível da planilha (estrutura, tipos, fórmulas) sem transmitir cargas de dados completas.
2. Algoritmo de Detecção: Um algoritmo eficiente e de baixo custo para detectar grandes intervalos homogêneos e tabelas principais, utilizando padrões de fórmula como sementes para descoberta estrutural.
3. Avaliação Empírica: Uma avaliação rigorosa em 50 casos reais de consultas de planilhas comparando a abordagem de abstração com a abordagem vanilla usando GPT-4.1.

Resultos da Avaliação
O estudo avaliou confiabilidade, eficiência e precisão em 50 casos envolvendo tarefas como geração de fórmulas, otimização e análise de dados:

• Resolução de Consulta sem Conteúdo: 12 de de 50 casos foram respondidos corretamente usando apenas a abstração, sem necessidade de dados detalhados de células. Outros 11 casos foram resolvidos usando a abstração mais um contexto mínimo, enquanto a abordagem vanilla exigiu a transmissão de dados completos para todos os casos, exceto os mais simples.
• Redução de Tokens e Dados: Nos casos que exigiam dados adicionais, a abordagem de abstração identificou intervalos significativamente mais precisos. Ela reduziu o volume de células solicitadas em 77% e o consumo total de tokens durante a interação em 86%.
• Confiabilidade e Precisão: Em um protocolo de execução repetida (3 execuções por caso), a abordagem vanilla falhou em pelo menos uma execução para 22 casos. A abordagem de abstração melhorou significativamente a confiabilidade, alcançando uma taxa de sucesso de 100% (as três execuções corretas) em 16 desses 22 casos. O autor atribui isso ao fato de a abstração fornecer um arcabouço estrutural mais claro, ajudando o LLM a localizar conteúdo e entender relacionamentos com maior precisão.

Significância e Alegações
O artigo afirma que esta camada de abstração serve como um "arcabouço" crítico para tarefas de planilhas assistidas por IA. Ao mudar da transmissão de dados brutos para uma representação estrutural e sensível a fórmulas, o método:

• Desacopla Estrutura de Dados: Permite que os LLMs raciocinem sobre a lógica da planilha e gerem fórmulas sem serem sobrecarregados pelo volume de dados.
• Aumenta a Confiabilidade: Mitiga alucinações de LLM e interpretações estruturais incorretas comuns em abordagens vanilla.
• Otimiza o Custo: Reduz drasticamente o uso de tokens e o tempo de processamento, tornando a integração de IA viável para planilhas de grande escala empresarial.

O autor posiciona este trabalho como uma aplicação específica de interpretação abstrata (uma técnica de análise estática anteriormente usada para verificar propriedades de planilhas) ao domínio da interação com LLMs. Eles enfatizam que, ao contrário de trabalhos anteriores focados apenas em extração de dados ou estruturação de tabelas para indexação humana, seu método é explicitamente otimizado para o consumo de LLMs, aproveitando a semântica das fórmulas para guiar a detecção estrutural.

Limitações e Direções Futuras
O autor reconhece que o algoritmo atual foca principalmente em listas verticais homogêneas e ainda não lida com grandes listas horizontais, dados dispersos irregulares, células mescladas ou pistas de formatação (cores, negrito) que transmitem significado semântico. Propõe-se como trabalho futuro estender a abstração para essas áreas e combinar esta análise estática com outras técnicas de segurança de IA, como desenvolvimento orientado a testes e verificação determinística de saídas geradas por IA.