Senzing

ในฐานข้อมูลมีข้อมูลสามรายการ สมชาย ใจดี สมชาย ใจดี (นาย) และ SOMCHAI JAIDEE ที่อยู่ต่างกันหนึ่งตัวอักษร วันเกิดมีแค่สองในสามรายการ นี่คือคนเดียวกันหรือไม่ สิ่งที่ Senzing ทำคือเรื่องที่ดูเหมือนง่ายแต่ยากมากนี้ นั่นคือ entity resolution มันไม่เพียงตัดสินว่าใครเป็นใคร แต่ยังเปิดเผยความเชื่อมโยงระหว่างตัวตนเหล่านี้ด้วย

จุดเด่นของฟีเจอร์และสถานการณ์การใช้งาน

จุดต่างที่ใหญ่ที่สุดจากเครื่องมือ MDM ทั่วไปคือไม่ต้องเทรน Senzing เดินสายการจับคู่แบบ principle-based ไม่ต้องป้อนข้อมูลที่ติดป้ายไว้ก่อน ไม่ต้องปรับพารามิเตอร์ และไม่ต้องมีผู้เชี่ยวชาญ entity resolution มาตั้งค่า ทางบริษัทเน้นว่าเวลาเริ่มต้นต่ำกว่าหนึ่งวินาที เป็น schema-free เชื่อมแหล่งข้อมูลใหม่ไม่ต้องเทรนใหม่ ซึ่งเป็นมิตรกับโปรเจกต์แบบทำก่อนแล้วดูผลมากขึ้นเยอะ

จุดเด่นที่สองคืออธิบายได้ ทุกการจับคู่จะแนบคะแนนความเชื่อมั่นและเหตุผลการจับคู่ อธิบายว่าทำไมจึงตัดสินว่าเป็นตัวตนเดียวกัน เวลาทำ KYC หรือ AML เรื่องนี้ไม่ใช่แต้มบวกแต่เป็นเงื่อนไขที่จำเป็น เวลาถูกหน่วยงานกำกับถามเหตุผลของการรวมรายการหนึ่ง คำว่าโมเดลบอกว่าใช่ ไม่ใช่คำตอบ

รองรับมากกว่า 50 ภาษาและชุดอักขระ ประมวลผลได้ตั้งแต่หลักสิบไปจนถึงหลักพันล้านรายการ ติดตั้งบนเซิร์ฟเวอร์ของตัวเองได้ ข้อมูลไม่รั่วออกไปข้างนอก สถานการณ์ทั่วไปได้แก่ KYC/AML และการตรวจจับการฉ้อโกงของธุรกิจการเงิน การขจัดข้อมูลผู้ป่วยซ้ำของฝั่งการแพทย์ การตรวจจับตัวตนสังเคราะห์ในการเคลมประกัน มุมมองพลเมือง 360 องศาของหน่วยงานรัฐ และอีกอย่างที่พบบ่อยขึ้นเรื่อยๆ ช่วงหลังคือ การให้บริบทตัวตนที่ถูกต้องแก่เอเจนต์ AI เพื่อไม่ให้เอเจนต์มองลูกค้าสองคนที่ชื่อเหมือนกันเป็นคนเดียว