Epästrukturoidun

Epästrukturoidun datan käsite kuvaa tietoa, joka ei noudata ennalta määriteltyä rakennetta tai skeemaa. Käytännössä sillä viitataan monenlaisiin lähteisiin, joiden ominaisuudet eivät mahdu helposti taulukkomuotoiseen malliin. Epästrukturoidusta datasta pyritään useimmiten löytämään arvo kontekstuaalisen jäsentämisen ja lisätyön avulla.

Tyypillisiä epästrukturoidun datan muotoja ovat vapaatekstiasiakirjat ja sähköpostit, blogikirjoitukset sekä sosiaalisen median julkaisut, mutta myös multimedia kuten kuvat, äänitteet ja videot. Verrattuna strukturoituun dataan epästrukturoitu data on yleisesti heterogeenista, epäyhtenäistä ja dynaamista, eikä sille ole vakiintunutta skeemaa. Tämä asettaa haasteita tallennukselle, hakutoiminnoille, tiedonjalostukselle ja laadunvarmistukselle.

Hyödyntämiseksi käytetään menetelmiä kuten luonnollisen kielen käsittelyä (NLP), koneoppimista sekä tiedonlouhintaa ja OCR-tekniikkaa skannatuista asiakirjoista. Lisäksi sovelletaan klusterointia, teemojen mallintamista ja vektorisointia, joiden avulla data voidaan muuntaa hakukelpoiseksi tai analysoitavaksi. Yksityisyyden suoja sekä muut eettiset ja oikeudelliset näkökohdat ovat keskeisiä henkilötietojen käsittelyssä. Epästrukturoidun datan hallinta ja laadunvarmistus edellyttävät hyvää metadataa, datanhallintapolitiikkoja sekä linjauksia tiedon omistajuudesta ja säilyttämisestä.