M02.02｜資料類型全覽：結構化、半結構化、非結構化
Excel 表格、JSON 檔案、一張照片 — AI 看待它們的方式完全不同
本講學習重點
有固定欄位和格式的表格資料，如SQL、Excel
需要先轉換成數值向量(embedding)才能給模型用
有結構但不是固定欄位，如JSON、XML、HTML
非結構化最難但佔企業資料80%以上
🎙️ Podcast（中文）
一句話搞懂
資料分三種：結構化（整齊的表格）、半結構化（有標記但不固定的 JSON/XML）、非結構化（圖片、影片、自然語言文字），AI 處理每種資料的方法完全不同。
白話解說
想像你在整理房間。衣櫃裡每件衣服都有固定的格子 — 上衣在第一層、褲子在第二層、襪子在抽屜裡。這就是結構化資料：每筆資料都有固定的欄位（姓名、年齡、地址），像 Excel 表格或資料庫裡的表。SQL 查詢一下就能找到你要的東西。
書架上的書有分類但每本厚薄不同、章節數不同 — 你知道它大概在哪一區，但每本書的內部結構都不一樣。這就是半結構化資料：像 JSON、XML、HTML。它有標記（tag）告訴你哪段是標題、哪段是內容，但每筆資料的欄位數量和深度可能不同。你家的購物網站每個商品頁面的 HTML 結構就是半結構化資料。
地板上散落一地的東西 — 照片、手寫筆記、錄音檔、隨手拍的影片。這就是非結構化資料：沒有固定格式、無法直接用表格存放。對人類來說看一眼就懂，但對電腦來說需要先「翻譯」成數字才能處理。
殘酷的現實是：企業 80% 以上的資料是非結構化的 — Email、會議記錄、客戶電話錄音、社群媒體貼文、合約 PDF。這些資料藏著巨大的價值，但以前的技術很難利用。深度學習和大型語言模型的突破，讓我們終於能大規模處理非結構化資料，這也是 AI 近年來爆發的關鍵原因之一。
AI 處理不同類型資料的方式差異很大：結構化資料可以直接餵進傳統機器學習模型（決策樹、隨機森林）；非結構化資料需要先透過深度學習（CNN 處理圖片、Transformer 處理文字）轉換成向量（一串數字），才能進行後續分析。
應用場景
場景：一家保險公司的三種資料整合
一家台灣保險公司每天要處理上千件理賠案件，涉及三種資料類型：
| 資料類型 | 具體內容 | 處理方式 |
|---|---|---|
| 結構化 | 保單號碼、理賠金額、出險日期 | 直接查詢資料庫、統計分析 |
| 半結構化 | 醫院提供的電子病歷（HL7/FHIR 格式） | 解析 XML 標記，擷取診斷碼和用藥清單 |
| 非結構化 | 現場照片、手寫收據、客戶電話錄音 | OCR 辨識文字、語音轉文字、影像分析 |
過去他們只能用結構化資料做分析（哪些區域理賠率高、哪些險種賠最多）。導入 AI 後，他們開始能處理非結構化資料 — 用 OCR 自動辨識手寫收據上的金額和品項、用語音辨識分析客服通話找出常見抱怨、用影像辨識比對車禍現場照片估算損失。三種資料整合後，理賠審核效率提升 40%，詐騙偵測率也大幅提高。
常見誤區
-
「非結構化資料沒辦法分析，放著就好」 — 這在十年前是對的，現在不是了。NLP 可以分析客服對話、CV 可以分析產品照片、語音辨識可以轉錄會議記錄。企業最有價值的洞察，往往藏在非結構化資料裡。那些堆積如山的客戶回饋、業務週報、維修紀錄，都是尚未開採的金礦。
-
「把所有資料都丟進一個大表格就好」 — 強行把非結構化資料塞進表格，會丟失大量資訊。例如把一段客訴錄音只摘要成「不滿意」兩個字存進表格，你就損失了語氣、具體抱怨內容、上下文等關鍵資訊。正確做法是保留原始資料，在分析時用適合的 AI 模型來處理。
-
「JSON 就是非結構化資料」 — 常見的分類錯誤。JSON 有明確的 key-value 結構、可以被程式自動解析，它是半結構化資料。判斷標準是：機器能不能不透過 AI 就直接理解它的結構？JSON 可以，自然語言文字不行。
小練習
- 資料分類練習：判斷以下資料屬於哪種類型（結構化 / 半結構化 / 非結構化），並說明你的理由：
- (a) 公司的員工名冊（Excel 格式）
- (b) 客戶寄來的 Email
- (c) 電商網站的商品 API（回傳 JSON）
- (d) 工廠監視器的即時影像串流
- (e) 台灣政府的公開資料 API（回傳 XML）
- 非結構化資料價值挖掘：選一種你公司擁有但目前沒在用的非結構化資料（例如客服錄音、合約 PDF、社群留言），想像如果用 AI 來分析它，可能挖出什麼有價值的洞察？需要什麼 AI 技術（NLP、CV、語音辨識）？