Senzing

資料庫裡有「陳志明」「陳志明先生」「CHEN CHIH-MING」三筆紀錄，地址差一個字、生日只有其中兩筆有——這是同一個人嗎？Senzing 做的就是這件看似簡單、實際上極難的事：實體解析（entity resolution）。它不只判斷誰是誰，還會揭露這些身分之間的關聯。

功能特色與適用場景

它跟一般 MDM 工具最大的不同是不需要訓練。Senzing 走的是原則式（principle-based）比對，不用先給標註資料、不用調參、也不需要有實體解析專家來設定，官方強調啟動時間在一秒以內，schema-free，接上新資料來源不必重新訓練。這對「先做起來看看」的專案友善很多。

第二個特點是可解釋。每一次比對都會附上信心分數與比對依據，說明為什麼判定為同一實體。做 KYC 或反洗錢時，這一點不是加分項而是必要條件——你被主管機關問到某筆合併的理由時，「模型說是」不是答案。

支援 50 種以上語言與字集，處理量級從數十筆到數十億筆，可以部署在自己的機房，資料不外流。典型場景包括金融業的 KYC／AML 與詐欺偵測、醫療端的病人資料去重、保險理賠的合成身分偵測、政府機關的公民 360 視圖，以及近來越來越常見的一種——幫 AI 代理提供正確的身分脈絡，避免代理把兩個同名客戶當成一個人。