> ## 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.
# Lavorare con tabelle e CSV
> Scopri come caricare e utilizzare file CSV e dati strutturati tabellari in INNOCHAT.
INNOCHAT ti consente di caricare dati di training sotto forma di file CSV o tabelle Excel **semplici**.\
Le “tabelle semplici” si riferiscono a dati tabellari senza celle unite, con **un’unica colonna di chiave primaria** con elementi univoci, intestazioni di colonne o righe univoche e descrittive e una chiara struttura **a colonne** oppure **righe/colonne**.
Esempio di tabella solo a colonne:
*Tutti i dati per riga si riferiscono alla chiave prodotto nella prima colonna.*
Esempio di tabella righe/colonne:
*Ogni combinazione di riga e colonna rimanda a un valore di cella specifico.*
Non esiste un numero massimo di colonne, tuttavia c’è un limite al **numero totale di token per riga**.\
Se viene superato, il training va in errore.
Al **marzo 2024**, il massimo è **circa 8000 token per riga** (incluso il codice JSON necessario per rappresentare la struttura della tabella).\
Ciò significa che la quota effettivamente disponibile per i valori è inferiore e dipende dalla lunghezza dei nomi di righe e colonne.
Se i tuoi dati rispettano il formato descritto sopra, puoi caricare la tabella come fonte di training.\
Per farlo, vai su:
**Sources → Add Sources → Tables**
Per le tabelle righe/colonne, dopo il caricamento devi fare quanto segue:
* Seleziona la tabella
* Apri il menu a tre punti sulla destra
* Fai clic su **Edit Table Data**
Nell’editor delle tabelle, seleziona **Row-Column Header** e fai clic su **Save Changes**.\
Questo assicura che i dati vengano pre-elaborati correttamente per l’elaborazione da parte del LLM.
Successivamente, puoi utilizzare le tabelle come dati di riferimento quando assegni la knowledge base ai tuoi agenti.
Nota bene:\
**I modelli GPT-4 superano nettamente i modelli GPT-3.5** in termini di precisione e coerenza quando si lavora con le tabelle.
*Esempio di retrieval LLM basato sulle tabelle di esempio mostrate sopra.*
## Il mio agente o chatbot non comprende correttamente la mia tabella!
I LLM come GPT-4 sono eccellenti nel gestire **testo non strutturato**.\
Con capacità multimodali (ad es. GPT-Vision) possono persino interpretare immagini.\
Le tabelle, però, sono tutt’altra cosa.
Non esiste **una sintassi universale** per rappresentare informazioni strutturate.\
Poiché i LLM funzionano in modo probabilistico, non sono naturalmente bravi a interpretare direttamente dati tabellari.
Un articolo di **Microsoft Research** analizza le prestazioni di GPT-4 con dati strutturati:
[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/)
*Confronto delle prestazioni tra GPT-3.5 e GPT-4 nelle operazioni su tabelle e dati strutturati.*\
*Fonte: Microsoft Research*
INNOCHAT utilizza attualmente una **struttura basata su JSON** per rappresentare le tabelle.\
Non è perfetta, ma supporta un numero limitato di casi d’uso in cui le tabelle vengono utilizzate come fonte di training.
Sappiamo che molti casi d’uso includono **dataset più grandi, più complessi e più dinamici**.\
La funzione di tabelle statiche non è ideale per questo.
Per questo motivo, consigliamo invece il **Function Calling**.
L’approccio **più robusto e professionale** per la Retrieval-Augmented Generation (RAG) con dati strutturati è:
### → Function Calling con Custom Functions basate su SQL
Questo significa:
1. Progetti le tue funzioni
2. Le funzioni includon