Epästrukturoituja

Epästrukturoituja aineistoja tarkoittaa dataa, jota ei ole järjestetty ennalta määriteltyyn rakenteeseen, kuten taulukkoihin tai relaatiomalliin. Tämänkaltaisen datan analysointi ja käsittely on usein vaikeampaa perinteisillä tietokannoilla, ja se vaatii erilaisia menetelmiä sekä prosesseja.

Esimerkkejä epästrukturoituneista aineistoista ovat teksti- ja sähköpostiviestit, asiakaspalautteet, sosiaalisen median julkaisut sekä mediasisällöt kuten kuvat, videot ja äänitteet. Verkkosivujen sisältö voi olla sekä staattista että dynaamista. Puoli-strukturoitua dataa, kuten JSON- tai XML-tiedostot, sisältää joitakin järjestettyjä osia, mutta ei kiinteää skeemaa kuten taulukot.

Ominaisuudet ja haasteet: data on heterogeenista ja helposti skaalaantuu suuriksi määriksi. Skeeman puuttuminen vaikeuttaa tiedon yhdistelemistä, hakuja ja laatujenhallintaa. Tietosuoja ja käytäntöjen noudattaminen ovat keskeisiä, erityisesti henkilötietojen käsittelyssä.

Käsittely ja tallennus: epästrukturoituja aineistoja säilytetään usein datalakeissa tai pilvitallennusvarastoissa, joihin lisätään metadata sekä luokittelu. Analyysissä hyödynnetään luonnollisen kielen käsittelyä (NLP), OCR:ää kuvista ja skannatuista dokumenteista sekä konenäköä ja puheentunnistusta. Hakua ja sisällönhausta tehostetaan vektoripohjaisilla malleilla sekä kontekstuaalisilla hakumenetelmillä.

Sovelluksia ovat esimerkiksi asiakaspalautteen ja sosiaalisen median analytiikka, yritysten sisällönhallinta sekä terveydenhuollon kliinisten muistioiden jäsentäminen sekä oikeudellisten asiakirjojen tiedonlouhinta. Epästrukturoitujen aineistojen hallintaan liittyvät keskeiset teemat ovat metadata, tiedonlähteiden jäljitettävyys, tietosuoja ja pääsynhallinta.