結構化預測是什麼？逐詞標註跟分類有什麼不同？
某企業規劃導入 AI 技術支援多項資料分析任務中，下列何種屬於結構化預測（Structured Prediction）問題？
一家企業規劃導入 AI 技術，評估多項資料分析任務，想找出哪一種屬於結構化預測（Structured Prediction）問題。
問你：下面哪一種資料分析任務屬於結構化預測問題？
一句話總結
結構化預測的輸出是「有內部結構的序列」，逐詞標註輸入一個句子、輸出每個詞的標籤序列，各標籤間相互依賴，是最典型的結構化預測問題。
先感受問題：一個問題一個答案 vs. 一個句子一排答案
想像你是「語音科技」公司的 AI 規劃師。你們的語音轉文字系統產出了一段文字：「台積電昨天在台北宣布了新的投資計畫。」
現在你有幾個任務可以對這段文字做 AI 分析：
- 任務 A：這段文字是「正面新聞」還是「負面新聞」？→ 輸出一個類別
- 任務 B：這段文字說的事件發生在哪一年？→ 輸出一個數值
- 任務 C：這段文字裡，每一個字是什麼詞性、屬於哪個實體類別？→ 輸出跟輸入等長的標籤序列
任務 C 的輸出長這樣：「台積電 = 公司名稱 / 昨天 = 時間 / 在 = 介系詞 / 台北 = 地名 / 宣布 = 動詞 / 了 = 助詞 / 新的 = 形容詞 / 投資計畫 = 名詞」。
一個句子 8 個詞，輸出 8 個標籤，而且標籤之間有關聯（「昨天」後面接「在台北」，所以「昨天」是時間而不是形容詞）。這就是結構化預測。
為什麼傳統分類不夠用的五個原因
- 輸出長度不固定：分類模型輸出固定個類別，但詞性標注要輸出跟輸入一樣長的序列，長度隨輸入變化
- 輸出各位置相互依賴：「昨天」的標籤受到「在台北」的影響，傳統分類對每個位置獨立預測，無法捕捉這種上下文關係
- 輸出需要全局一致性：整個句子的標籤序列要在語法上合理，不能「台積電」和「台北」都標為「公司名稱」
- 評估方式不同：分類只看「對幾個」，結構化輸出要看「整個序列是否正確」，評估維度更複雜
- 解碼（Decoding）問題：在所有可能的輸出序列中找最好的那個，搜索空間是指數級的，需要專門的解碼算法（如 Viterbi）
「語音科技」的初版系統用普通分類器對每個詞獨立預測詞性，結果很多語法上不合理的標籤序列（例如連續三個動詞），客戶很不滿意。
結構化預測如何看待輸出
結構化預測的核心思維是：把「整個輸出序列」當作一個整體來優化，而不是對每個位置獨立預測。
對「語音科技」的詞性標注任務，結構化預測模型（如 CRF 或 Bi-LSTM-CRF）在預測「昨天」的標籤時，同時考慮左邊「台積電」（公司名稱，後面通常跟時間或地點）和右邊「在台北」（地名前面通常是時間），因此才給出正確的「時間」標籤。
輸出是完整的序列，每個標籤不只是「最高機率的類別」，而是「在整個序列上最合理的組合」。這讓系統輸出的標注在語法上總是一致的。
這就是選項 D 講的：為語音內容轉換後的文字進行逐詞標註。輸入一個詞序列，輸出一個標籤序列，標籤間有結構性依賴，是結構化預測的典型形式。
技術版：結構化預測在 NLP 中的位置與應用
結構化預測（Structured Prediction）是機器學習的一個分支，專門處理「輸出有複雜內部結構」的問題，與普通的分類（輸出單一類別）和迴歸（輸出單一數值）相對。
典型的結構化預測任務：
- 詞性標注（Part-of-Speech Tagging）：為每個詞標上名詞/動詞/形容詞等
- 命名實體識別（Named Entity Recognition, NER）：標記人名、地名、機構名
- 句法分析（Parsing）：輸出整個句子的語法樹結構
- 機器翻譯（Machine Translation）：輸入英文序列，輸出中文序列
- 影像分割（Image Segmentation）：為每個像素預測所屬類別
為什麼逐詞標注是結構化預測：一個 10 字的句子，每個字有 50 種可能標籤，所有可能的輸出組合是 50 的 10 次方。結構化預測不是對 50^10 個可能一一評分，而是用動態規劃（Dynamic Programming）高效找出整體最優的序列。
實務誰在用：法律文件中標記條文和實體、醫療病歷中標記藥物名稱和症狀、新聞中標記人名和地名，都是結構化預測的實際應用。
為什麼出題者要考這題：AI 應用規劃師需要能區分不同 AI 任務的輸出型態。選對模型架構的前提是正確識別任務類型：分類、迴歸、序列生成、還是結構化預測，每種需要不同的建模方式和評估指標。
為什麼其他選項是錯的
A判斷一封電子郵件是否為垃圾郵件
輸入一封郵件，輸出「垃圾」或「非垃圾」的判斷結果。
這是二元分類（Binary Classification）問題，輸出是一個單一的類別標籤（是/否），不是具有內部結構的輸出。輸入整封郵件，輸出一個決定，屬於典型的監督式分類任務。
不清楚「結構化」這個詞指的是輸出結構，而不是任務場景結構的人。結構化預測的「結構」是指輸出的形式（序列、樹、圖），不是說任務描述有多複雜。
B預測未來一週的產品需求量
輸入歷史銷售資料，輸出未來 7 天每天的需求數字。
這是時序預測（Time Series Forecasting）或迴歸（Regression）問題。雖然輸出是一個序列（7 個數值），但這 7 個數值是獨立的時間點預測，不涉及輸出各元素之間的標籤依賴結構。結構化預測強調的是輸出中各元素的「語法一致性約束」，時序預測沒有這種約束。
看到「一週 7 天 = 序列」就以為是結構化預測的人。時序預測的輸出也是序列，但每個時間點可以獨立預測，不需要考慮輸出元素之間的結構依賴。
C預測客戶是否可能流失
輸入顧客的行為資料，輸出「會流失」或「不會流失」的概率或類別。
這是二元分類問題，輸出是單一的類別標籤或機率值。顧客流失預測的輸出「0.87 的機率會流失」是一個數字，不是具有內部結構的序列輸出。
把「複雜的輸入特徵」誤解成「結構化輸出」的人。顧客流失模型的輸入可能包含幾百個特徵（使用次數、消費金額、投訴次數……），但輸出只是一個機率，輸入複雜不等於輸出是結構化的。
同個考點下次怎麼變形
命名實體識別（NER）和情感分析，哪個是結構化預測？
兩個都是 NLP 任務，應該差不多？
命名實體識別（NER）是結構化預測：輸入「台積電在台北發布新產品」，輸出每個詞的實體類別（台積電=公司、台北=地名、新產品=非實體），輸出序列長度等於輸入，各標籤間有依賴。情感分析是普通分類：輸入整段文字，輸出「正面/負面/中性」一個類別，是單一輸出。
機器翻譯（把英文翻成中文）屬於哪種 AI 任務類型？
輸入英文輸出中文，感覺是分類？
機器翻譯屬於序列到序列（Seq2Seq）任務，也是結構化預測的一種。輸出是一個中文序列，輸出長度不固定（不一定跟輸入一樣長），且輸出中每個詞的選擇都受到前後文影響。這是比詞性標注更複雜的結構化輸出。
影像語義分割（Semantic Segmentation）和影像分類（Image Classification）哪個是結構化預測？
都是影像任務，有什麼不同？
影像語義分割是結構化預測：輸入一張圖片，輸出每個像素的類別標籤（這個像素是「車子」「行人」還是「馬路」），輸出的結構跟輸入圖片完全對應。影像分類是普通分類：輸入一張圖，輸出「貓/狗/鳥」一個類別，是單一輸出。
語音辨識（把語音轉成文字）屬於結構化預測嗎？
輸入語音，輸出文字，輸出是序列，應該是？
是的，語音辨識屬於序列到序列的結構化預測問題。輸入是語音的聲學特徵序列，輸出是文字序列，輸出長度不固定，每個字的輸出受前後音節影響。現代語音辨識系統（如 Whisper）就是用 Seq2Seq Transformer 架構處理這個結構化輸出問題。
結構化預測和普通分類在評估指標上有什麼不同？
都用準確率嗎？
普通分類用準確率（Accuracy）、F1 Score 等。結構化預測需要額外考慮序列整體的正確性：詞性標注用 Token-level F1（每個詞標對的比例）；機器翻譯用 BLEU Score（衡量輸出序列和參考翻譯的相似度）；NER 用 Entity-level F1（整個實體片段都對才算對）。序列越長、結構越複雜，評估指標也越複雜。
想再往下看，這 5 個
- 命名實體識別（Named Entity Recognition）在文本中標注人名、地名、機構名等實體，是逐詞輸出標籤序列的典型結構化預測任務
- 詞性標注（Part-of-Speech Tagging）為每個詞標記名詞、動詞等語法角色，輸出序列與輸入等長且各標籤相互依賴
- 序列到序列模型（Seq2Seq）輸入一個序列輸出另一序列的架構，機器翻譯和語音辨識的核心，是結構化預測的進階形式
- 影像分割（Image Segmentation）為每個像素預測所屬類別，輸出結構對應輸入圖片空間，是電腦視覺中的結構化預測
- 自然語言處理（Natural Language Processing）NLP 涵蓋詞性標注、NER、機器翻譯等大量結構化預測子任務，是此考點的應用領域