案例18｜通用化與專門化：讓跨資料庫解析兼顧一致與精準

一、案例定位

本案例涉及人工智慧（Artificial Intelligence, AI）。本頁使用智慧資料流探索器（Intelligent Data Flow Explorer, IDFE）、結構化查詢語言（Structured Query Language, SQL）、程序語言／結構化查詢語言（Procedural Language/Structured Query Language, PL/SQL）與角色型存取控制（Role-Based Access Control, RBAC）。在多來源適應性與特定任務精準度之間建立平衡。

本案例依原書第 5 章的框架、範例或情境重組，並非原書正式案例研究。

二、學習目標

區分通用化與專門化。
理解一致中繼資料結構的作用。
整理脈絡豐富化的步驟。

三、案例情境

IDFE 的通用化面向要處理 SQL Server、Oracle 與 PL/SQL 等不同格式與領域，解析流程需盡量不依賴特定結構；專門化面向則把結果轉成一致的中繼資料結構，精確支援資料血緣與法規遵循。脈絡豐富化再加入商業粒度、來源類型、嵌入、知識圖譜、規則與自動更新。

四、開始資料

面向	原書作法
通用化	跨資料庫與格式解析，不緊密綁定單一結構
專門化	以一致中繼資料欄位支援資料血緣
商業粒度	依需求選擇資料表層或欄位層
關係建模	以知識圖譜描述相依
法規脈絡	以規則、RBAC 與轉換紀錄限制存取
自動化	持續掃描、清理、嵌入與更新關係

五、Excel／AI 分析方法

在 Excel 對每項處理規則標示通用核心、來源特例、商業規則與法規規則；AI 可找出過度綁定單一來源的部分。

六、計算結果

原書沒有提供可直接計算的數據，因此不補造結果。

七、結果分析與管理解讀

完全通用可能犧牲精準度，完全專門則降低重用。原書以通用擷取管線加一致中繼資料結構，讓兩者分工。

八、AI 提問詞

請將處理規則分類為通用核心或來源／領域特例，並指出哪些特例應轉成可設定規則；不得假設所有資料庫語法相同。