Senzing

Di dalam basis data ada tiga catatan "Budi Santoso", "Bapak Budi Santoso", dan "BUDI SANTOSO", alamatnya berselisih satu karakter, tanggal lahir hanya ada di dua di antaranya, apakah ini orang yang sama? Inilah yang dikerjakan Senzing, hal yang tampak sederhana tetapi sebenarnya amat sulit: entity resolution. Ia tak hanya memutuskan siapa itu siapa, tetapi juga mengungkap keterkaitan antar identitas ini.

Fitur dan Skenario Penggunaan

Perbedaan terbesarnya dari alat MDM umum adalah tidak memerlukan pelatihan. Senzing memakai pencocokan berbasis prinsip (principle-based), tanpa perlu data berlabel di awal, tanpa penyetelan parameter, dan tanpa perlu pakar entity resolution untuk mengaturnya, di mana pihak resmi menekankan waktu startup di bawah satu detik, schema-free, dan menghubungkan sumber data baru tanpa harus melatih ulang. Ini jauh lebih ramah bagi proyek yang bergaya "buat dulu, lihat hasilnya".

Keunggulan kedua adalah bisa dijelaskan. Setiap pencocokan disertai skor keyakinan dan dasar pencocokan, menjelaskan mengapa dinilai sebagai entitas yang sama. Saat menjalankan KYC atau anti pencucian uang, hal ini bukan nilai tambah melainkan syarat wajib, karena ketika ditanya regulator soal alasan sebuah penggabungan, "kata model begitu" bukanlah jawaban.

Mendukung lebih dari 50 bahasa dan set karakter, dengan skala penanganan dari puluhan hingga miliaran catatan, dan bisa di-deploy di data center sendiri sehingga data tak keluar. Skenario tipikalnya meliputi KYC/AML dan deteksi penipuan di industri keuangan, deduplikasi data pasien di bidang medis, deteksi identitas sintetis pada klaim asuransi, tampilan 360 warga bagi instansi pemerintah, serta yang kian umum belakangan ini, yaitu menyediakan konteks identitas yang benar bagi agen AI agar tak menganggap dua pelanggan bernama sama sebagai satu orang.