> ## Documentation Index > Fetch the complete documentation index at: https://docs.innochat.ch/llms.txt > Use this file to discover all available pages before exploring further. # Arbeiten mit Tabellen und CSV > Erfahren Sie, wie Sie CSV-Dateien und tabellarische strukturierte Daten in INNOCHAT hochladen und verwenden koennen. INNOCHAT ermoeglicht Ihnen das Hochladen von Trainingsdaten in Form **einfacher** CSV- oder Excel-Tabellen.\ „Einfache Tabellen“ beziehen sich auf tabellarische Daten ohne zusammengefasste Zellen, mit einer **einzigen Primaerschluessel-Spalte** mit eindeutigen Elementen, eindeutigen und aussagekraeftigen Spalten- oder Zeilentiteln und einer klaren **Spalten- oder Zeilen-Spalten-Struktur**. Beispiel für eine reine Spaltentabelle:

*Alle Daten pro Zeile beziehen sich auf den Produktschluessel in der ersten Spalte.* Beispiel für eine Zeilen/Spalten-Tabelle:

*Jede Kombination aus Zeile und Spalte verweist auf einen spezifischen Zellwert.* Es gibt keine maximale Anzahl an Spalten, jedoch gibt es ein Limit für die **Gesamtanzahl der Tokens pro Zeile**.\ Wenn diese überschritten wird, laeuft das Training in einen Fehler. Stand **Maerz 2024** betraegt das Maximum **ca. 8000 Tokens pro Zeile** (inklusive des JSON-Codes, der zum Darstellen der Tabellenstruktur erforderlich ist).\ Das bedeutet, dass der tatsaechliche Anteil für Werte geringer ausfaellt und von der Laenge von Spalten- und Zeilennamen abhaengt. Wenn Ihre Daten dem oben beschriebenen Format entsprechen, koennen Sie Ihre Tabelle als Trainingsquelle hochladen.\ Dazu gehen Sie zu: **Sources → Add Sources → Tables**

Bei Zeilen/Spalten-Tabellen muessen Sie nach dem Hochladen Folgendes tun: * Waehlen Sie die Tabelle aus * Oeffnen Sie das Drei-Punkte-Menue rechts * Klicken Sie auf **Edit Table Data**

Im Tabellen-Editor waehlen Sie nun **Row-Column Header** und klicken auf **Save Changes**.\ Dies stellt sicher, dass die Daten korrekt für LLM-Verarbeitung vorverarbeitet werden.

Danach koennen Sie die Tabellen als Referenzdaten beim Zuweisen der Wissensbasis für Ihre Agenten verwenden. Bitte beachten:\ **GPT-4-Modelle übertreffen GPT-3.5-Modelle deutlich** hinsichtlich Praezision und Konsistenz beim Arbeiten mit Tabellen.

*Beispiel für LLM-Retrieval basierend auf den oben gezeigten Beispieltabellen.* ## Mein Agent oder Chatbot versteht meine Tabelle nicht korrekt! LLMs wie GPT-4 sind hervorragend im Umgang mit **unstrukturiertem Text**.\ Mit multimodaler Faehigkeit (z. B. GPT-Vision) koennen sie sogar Bilder interpretieren.\ Tabellen sind jedoch etwas voellig anderes. Es gibt **keine universelle Syntax** zur Darstellung strukturierter Informationen.\ Da LLMs probabilistisch arbeiten, sind sie nicht natürlich gut darin, tabellarische Daten direkt zu interpretieren. Ein Artikel der **Microsoft Research** analysiert die Leistungsfaehigkeit von GPT-4 bei strukturierten Daten: [https://www.microsoft.com/en-us/research/blog/improving-llm-understanding-of-structured-data-and-exploring-advanced-prompting-methods/](https://www.microsoft.com/en-us/research/blog/improving-llm-understanding-of-structured-data-and-exploring-advanced-prompting-methods/)

*Vergleich der Leistung zwischen GPT-3.5 und GPT-4 bei Tabellenoperationen und strukturierten Daten.*\ *Quelle: Microsoft Research* INNOCHAT verwendet derzeit eine **JSON-basierte Struktur**, um Tabellen abzubilden.\ Das ist nicht perfekt, unterstuetzt aber eine begrenzte Anzahl von Anwendungsfaellen, in denen Tabellen als Trainingsquelle verwendet werden. Wir wissen, dass viele Anwendungsfaelle **groessere, komplexere und dynamische Datensaetze** beinhalten.\ Die statische Tabellenfunktion ist dafuer nicht optimal geeignet. Dafür empfehlen wir statt dessen **Function Calling**. Der **robusteste und professionellste Ansatz** für Retrieval-Augmented Generation (RAG) mit strukturierten Daten ist: ### → Function Calling mit SQL-basierten Custom Functions Das heisst: 1. Sie entwerfen eigene Funktionen 2. Die Funktionen beinhalten **template-basierte SQL-Abfragen** 3. Daten werden dynamisch abgerufen 4. Der Chatbot erhaelt die Ergebnisse als RAG-Kontext in Echtzeit Dies erfordert jedoch: * etwas Programmiererfahrung * Hosting Ihrer eigenen Serverfunktionen Wir arbeiten derzeit an detaillierten Beispielen für dieses Setup, und wir danken Ihnen für Ihre Geduld, waehrend wir die Dokumentation erweitern.