Waarom is dit belangrijk?
Automatisch ordenen van ongestructureerde data, zoals gesproken opnamen en lange documenten, maakt het mogelijk verbanden te vinden die met de hand te veel tijd kosten. In de zorg en het biomedisch onderzoek zetten teams dit in om kennis uit patiëntverslagen en wetenschappelijke publicaties te halen. Patiënten en medewerkers krijgen daardoor sneller een overzicht, maar een onvolledige omzetting kan fouten geven en de privacy van gevoelige gegevens raken.
Zo werkt het in de praktijk
Zoekmachines indexeren ongestructureerde tekst, zoals webpagina's en documenten, zodat mensen daarin kunnen zoeken. Documentbeheersystemen zetten hele verzamelingen in categorieën. SAS bracht in 2004 met SAS Text Miner grote teksten terug tot minder kenmerken voor analyse door een computer.
In 1958 onderzocht informaticus H.P. Luhn hoe computers ongestructureerde tekst indelen en er gegevens uit halen. Informatie-extractie haalt vaste gegevens, zoals een bedrijfsnaam of een overname, uit vrije tekst in nieuwsberichten. Die gegevens verwerkt een computer daarna verder.
De standaard UIMA (een kader voor ongestructureerde informatie) beschrijft hoe systemen betekenis uit tekst halen. Die betekenis zetten zij om in gestructureerde data. Datamining, natuurlijke taalverwerking en tekstanalyse zoeken daarbij patronen in tekst zonder vaste velden.




