epästrukturoidusta

Epästrukturoitu tieto, tai epästrukturoitunut data, tarkoittaa tietoa, jolla ei ole ennalta määriteltyä skeemaa tai kiinteää rakennetta. Tiedot ovat usein osittain vapaamuotoisia tai monimuotoisia, eikä niitä ole järjestetty taulukkomuotoon samalla tavalla kuin perinteiset relaatiotietokannat.

Esimerkkejä epästrukturoidusta tiedosta ovat tekstidokumentit, sähköpostit, chat-viestit, blogi- ja uutisartikkelit, sosiaalisen median julkaisut sekä äänilähteet, videot ja kuvat. Näistä tiedoista suurin osa sisältää arvokasta sisältöä, mutta ne eivät ole suoraan haettavissa tai analysoitavissa ilman erikoistyökaluja.

Ominaisuuksiin kuuluu muotojen, kielten ja kontekstien suuri variaatio sekä usein puutteellinen tai epäyhtenäinen metatieto. Tämä tekee tiedon hakemisesta, yhdistämisestä ja luokittelusta haastavaa. Epästrukturoitu data voi sisältää myös puutteita laadussa ja yhdenmukaisuudessa, mikä lisää esikäsittelyn tarvetta ennen analytiikkaa. Verrattuna rakenteiseen dataan se vaatii usein lisäprosesseja kuten luonnollisen kielen käsittelyä, puheentunnistusta, tietojen louhintaa ja konenäköä.

Käsittelyyn käytetään usein data-lake-arkkitehtuureja sekä teknologioita kuten Hadoop tai Apache Spark, ja niihin liittyy OCR-tekniikkaa, seurauksena transkriptio ja sisällön ymmärtäminen. Puolistrukturoitua dataa (esim. JSON, XML) voidaan myös luokitella tässä kategoriassa, mutta sillä on jo jonkin verran rakennetta.

Käyttökohteita ovat esimerkiksi dokumenttien hallinta, asiakas- ja sisällöntuotannon analyysi sekä riskienhallinta ja vaatimustenmukaisuus. Epästrukturoitu tieto tarjoaa potentiaalisen arvon, kun sisältö muunnetaan hakukelpoiseksi, luokitelluksi ja analysoitavaksi.