Senzing

Dalam pangkalan data ada tiga rekod "Ahmad bin Ali", "Encik Ahmad Ali" dan "AHMAD ALI", alamat berbeza satu huruf, tarikh lahir hanya ada pada dua daripadanya, adakah ini orang yang sama? Inilah yang dilakukan oleh Senzing, sesuatu yang nampak mudah tetapi sebenarnya amat sukar: resolusi entiti (entity resolution). Ia bukan sahaja menentukan siapa itu siapa, malah mendedahkan perkaitan antara identiti-identiti ini.

Ciri dan senario penggunaan

Perbezaan terbesarnya berbanding alat MDM biasa ialah ia tidak memerlukan latihan. Senzing mengambil laluan perbandingan berasaskan prinsip (principle-based), tidak perlu memberi data berlabel dahulu, tidak perlu menala parameter, dan tidak memerlukan pakar resolusi entiti untuk menetapkannya, pihak rasmi menekankan masa memulakan dalam masa satu saat, schema-free, dan menyambung sumber data baru tanpa perlu latihan semula. Ini jauh lebih mesra untuk projek jenis "buat dahulu untuk tinjau".

Ciri kedua ialah boleh dijelaskan. Setiap perbandingan akan disertakan skor keyakinan dan asas perbandingan, menerangkan kenapa ia dinilai sebagai entiti yang sama. Semasa membuat KYC atau anti pengubahan wang haram, perkara ini bukan bonus tetapi syarat perlu, apabila anda ditanya pihak berkuasa tentang sebab sesuatu penggabungan, "model kata begitu" bukan jawapan.

Menyokong lebih 50 bahasa dan set aksara, mengendalikan skala daripada berpuluh rekod hingga berbilion rekod, boleh dilaksanakan di pusat data sendiri supaya data tidak tersebar keluar. Senario tipikal termasuk KYC/AML dan pengesanan penipuan sektor kewangan, penyahduaan data pesakit di sektor perubatan, pengesanan identiti sintetik dalam tuntutan insurans, pandangan 360 warganegara agensi kerajaan, serta satu senario yang semakin lazim kebelakangan ini, membantu agen AI menyediakan konteks identiti yang betul supaya agen tidak menganggap dua pelanggan yang senama sebagai seorang.