正確に扱いたいものは、構造化データ

まず前提として、

明確に扱いたいものは、構造化した方が扱いやすいです。

例えば、

• 数値（スコア・確率など）
• 明確なカテゴリ
• Yes/Noの判断

こういったものは、フォーマットを固定した方が安定する。

集計や分析、モデルへの入力など、
“ズレてほしくない部分”は構造化しておく。

この考え方は今でも変わらないと感じています。

---

LLMの登場で、半構造化データの価値が上がった

一方で、大きく変わってきたのが半構造化データの扱いです。

以前は、きれいに構造化しないと扱いづらかったものも、
今はある程度そのままでも使えるようになってきた。

例えば、

• 会話の流れ
• 理由や背景
• 微妙なニュアンス

こういった情報も、

• JSONで軽く枠だけ作る
• テキストをそのまま残す

といった形で持っておけば、
後からLLMが意味を読み取ってくれる。

つまり、

「どう構造化するか」だけでなく、
「どれだけ情報を残したまま持てるか」も重要になってきている。

---

半構造化データをどう作るかが差になる

ここで最近感じているのが、

半構造化データの“作り方”そのものが重要になってきているということです。

ただ雑にテキストを残すのではなく、

• どの粒度で区切るか
• どこにラベルをつけるか
• どこまで意味を残すか

こういった設計によって、
後から使えるかどうかが大きく変わる。

LLMの性能が上がるほど、

「綺麗に整える力」だけでなく、
「意味を壊さずに残す力」が重要になる。

そんな感覚があります。

---

まとめ

LLMの普及によって、

データの扱い方も少し変わってきていると感じています。

• 正確さが必要な部分は構造化する
• 意味や文脈は半構造化で残す

そしてこれからは、

半構造化データをどう作るかも重要になってくる。

すべてを整えすぎるのではなく、
あえて“余白”を残す。

その余白を、LLMが埋めてくれる。

そんな前提で設計することで、
データの使い方はもう一段広がる気がしています。