Senzing

Trong cơ sở dữ liệu có ba bản ghi "Nguyen Van Minh", "Ông Nguyễn Văn Minh", "NGUYEN V MINH", địa chỉ lệch một chữ, ngày sinh chỉ hai trong số đó có - đây có phải cùng một người không? Việc Senzing làm chính là chuyện tưởng đơn giản mà thực ra cực khó này: phân giải thực thể (entity resolution). Nó không chỉ phán đoán ai là ai, mà còn phơi bày mối liên kết giữa các danh tính đó.

Tính năng nổi bật và tình huống áp dụng

Khác biệt lớn nhất của nó so với các công cụ MDM thông thường là không cần huấn luyện. Senzing đi theo hướng so khớp dựa trên nguyên tắc (principle-based), không cần cấp dữ liệu gắn nhãn trước, không cần chỉnh tham số, cũng không cần chuyên gia phân giải thực thể tới cấu hình, hãng nhấn mạnh thời gian khởi động dưới một giây, không cần schema (schema-free), nối thêm nguồn dữ liệu mới không cần huấn luyện lại. Điều này thân thiện hơn nhiều với các dự án kiểu "cứ làm thử xem sao".

Đặc điểm thứ hai là có thể giải thích được. Mỗi lần so khớp đều kèm điểm tin cậy và căn cứ so khớp, giải thích vì sao xác định là cùng một thực thể. Khi làm KYC hay chống rửa tiền, điểm này không phải là điểm cộng mà là điều kiện bắt buộc - khi cơ quan quản lý hỏi lý do hợp nhất một bản ghi nào đó, "mô hình bảo thế" không phải là câu trả lời.

Hỗ trợ hơn 50 ngôn ngữ và bộ ký tự, xử lý quy mô từ vài chục tới vài tỷ bản ghi, có thể triển khai ngay tại phòng máy của mình, dữ liệu không ra ngoài. Tình huống điển hình gồm KYC/AML và phát hiện gian lận của ngành tài chính, loại trùng dữ liệu bệnh nhân ở y tế, phát hiện danh tính tổng hợp trong bồi thường bảo hiểm, góc nhìn công dân 360 độ của cơ quan chính phủ, cùng một loại ngày càng thường gặp gần đây - cung cấp ngữ cảnh danh tính chính xác cho AI agent, tránh việc agent coi hai khách hàng trùng tên là một người.