前言：數據的安身之所

確立了心法，也認識了江湖中的各路英雄，接下來我們要為寶貴的數據尋找一個安身之所。儲存數據的地方，我們統稱為「資料庫」，但隨著數據的種類和應用越來越多樣，光用「資料庫」一個詞已經不足以描述全貌。

今天，我們來拆解三個最關鍵的數據儲存架構：傳統資料庫 (Database)、資料倉儲 (Data Warehouse) 與資料湖 (Data Lake)。這三者不是互相取代，而是為了解決不同問題而生，尤其在 AI 時代，它們更是各司其職，共同支撐著複雜的 AI 應用。

三大數據容器的對決

Schema-on-Write vs. Schema-on-Read

這是理解三者差異最核心的概念：

• Schema-on-Write (寫入前定義結構): 就像你要填一份制式表格（例如報稅單），每一格要填什麼、格式是什麼（文字、數字）都規定得死死的。不符合格式的資料，會被拒絕寫入。
  • 優點： 資料乾淨、品質高、查詢速度快。
  • 代表： 傳統資料庫、資料倉儲。
• Schema-on-Read (讀取時定義結構): 就像一個巨大的雜物箱，你可以先把各種東西（文字、圖片、影片、聲音檔）都先丟進去。等到要找東西時，再自己決定要怎麼解讀這些東西。
  • 優點： 彈性極高，可以儲存任何類型的原始資料，不會遺失任何細節。
  • 代表： 資料湖。

AI 時代為何三者缺一不可？

讓我們回到「智慧推薦系統」的例子：

1. 你的每一筆訂單，都即時地寫入傳統資料庫 (Database)，確保交易正確無誤。
2. 每天晚上，資料工程師會將各個資料庫的訂單、會員資料進行清理、整合，放入資料倉儲 (Data Warehouse)，供分析師製作隔天的銷售報表，監控業績。
3. 同時，你留下的**商品評論 (文字）、點擊過的商品圖片 (影像) **等非結構化資料，會被完整地存放在資料湖 (Data Lake)。資料科學家需要這些最原始、最完整的資料，來訓練一個能理解文字語意和圖片風格的深度學習推薦模型。

如果沒有資料湖，AI 模型就失去了最豐富的養分。如果沒有資料倉儲，企業的日常營運分析將寸步難行。如果沒有傳統資料庫，整個交易系統都會崩潰。

結論

選擇哪種儲存架構，取決於你的應用情境。萬丈高樓平地起，為你的數據選擇合適的家，是建構強大 AI 應用的第一步。下一階段我們會談到，如何融合兩者優點的現代架構 — Data Lakehouse。