在处理非结构化数据的问题上，人工智能和深度学习方法一直都表现出众且广为人知，无论是在自然语言处理、知识库自动构建，还是图像视频的识别和生成应用中，都有很多成熟案例。
然而对于结构化数据的研究，似乎已经被人工智能和深度学习忘之脑后。结构化数据普遍存在于各类商业应用软件和系统中，例如产品数据存储，交易日志，ERP 和 CRM 系统中都存在大量结构化数据，这些结构化数据仍应用着陈旧的数据技术处理，如基于规则的系统，决策树等。这样的方法需要人工进行特征提取，操作繁琐且需要耗费大量人力进行数据标签。
虽然人工智能的最新发展已经从非结构化数据中挖掘出了巨大价值，但对结构化数据而言，其研究和应用也是不可忽视的，因为结构化数据对于驱动企业的业务发展、营收、数据安全以及数据治理方面都有着重大意义。
不同于非结构化数据，结构化数据的 AI 研究一直存在着一个巨大的挑战，那就是其对于数据质量的高度敏感性。对于非结构化数据而言，人们或许可以接受分辨率不高的视频，略带瑕疵的图像识别。但对于拥有大量结构化数据的大型企业来说，其核心业务数据是不容许有丝毫差错的。比如对于制药公司来说，药品的剂量、价格和数量即使出现细微的数据错误，都有可能带来巨大的灾难。
研究这些核心业务数据（结构化数据）在人工智能上的应用，是具有极大价值的，但受限于数据质量的高要求，大型企业在这类研究上举步维艰。尽管人工智能在结构化数据上的应用研究已经有数十年的时间，但目前仍进展甚微。
数据背后的业务复杂性，基于特定规则和逻辑的系统复杂性，需要人工介入的数据清洗和准备工作的高成本，都阻碍着这一研究的发展。要在结构化数据 AI 应用上有所成果，首先需要解决人工数据清洗和准备的问题，找到极少或者没有人为干预的自动化方法，才能使得这一应用可落地可拓展。
这也是为什么机器学习方法能适用于结构化数据准备和清洗的原因，最终的解决方案需要能够提取企业数据特征并且理解毫不相干的数据上下文，能够从大量数据集中训练出模型，预测数据质量，甚至能提出数据质量的修复建议。
将这样的模型应用于数据准备和清洗中，可以解决结构化数据长期以来存在的问题——需要大量人工介入的数据准备和清洗工作。这样的解决方案有以下的要求：
处理结构化数据的其中一大挑战在于，结构化数据可能是异构的，同时组合了不同类型的数据结构，例如文本数据、定类数据、数字甚至图像数据。其次，数据表有可能非常稀疏。想象一个 100 列的表格，每列都有 10 到 1000 个可能值（例如制造商的类型，大小，价格等），行则有几百万行。由于只有一小部分列值的组合有意义，可以想象，这个表格可能的组合空间有多么「空」。
如果没有任何结构、领域知识和条件约束，就很难了解数据如何生成及其准确性。因此，在构建结构化数据准备和清洗的解决方案过程中，我们总结了存在的三个主要挑战：
大图模式
虽然这样的模型已经帮助我们将数据清理和数据错误检测问题转变为机器学习中的推理问题，但要训练出表达力足够强，能够将应用规模化的模型，还是极有难度的。
针对上文提到的挑战，如何使用很少的样本数据进行训练的问题，我们在论文中提出了解决方案。
大图模式
大图模式
诸如数据准备、数据清洗、错误检测和缺失值填补之类的数据问题，都可以应用一个统一的、可规模化的推理引擎进行建模。这样的引擎要求能够对「结构化」数据的生成以及错误的产生进行建模。更重要的是，结合我们上文提到的各种挑战，这一模型还需要纳入一些现代机器学习原理：
图 4 描绘了前文提到的多种方法的核心组成部分，以处理不同的数据类型（例如量化数据的回归分析，定类数据的分类）。这些方法包括了基于注意力的上下文表示机制、分布式学习、数据切片以及多任务学习的自我监督。
在 MLSys 2020 论文中，我们提出了一种基于注意力的学习架构，用于混合类型结构化数据的缺失值填补（图 5）。
大图模式
大图模式
如今的商业化数据中，绝大部分重要数据都是结构化的，然而由于对数据质量的高要求，使得很多有价值的研究都望而却步。
通过采用机器学习的方法，我们可以将结构化数据的数据准备和清洗问题都视为一个统一的预测任务，不过这种方式存在着规模化，异构性，稀疏性以及复杂语义和专业领域知识的挑战。 雷锋网雷锋网雷锋网
而 Inductiv 引擎作为首个用于结构化数据处理的可扩展 AI 平台，则成功解决了这些挑战！
via https://towardsdatascience.com/ai-should-not-leave-structured-data-behind-33474f9cd07a
