Myslitelé

Rozpoznávání entit se stává infrastrukturou AI, ne jen čištěním dat

Steven Renwick
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyŘešení entit se přesouvá od periodického čištění k běhové infrastruktuře, protože…
Zobrazit více
  • Řešení entit se přesouvá od periodického čištění k běhové infrastruktuře, protože agenti jednají okamžitě na základě vyřešených identit.
  • Agenti obohacení vyhledáváním přebírají fragmentované nebo nesprávně sloučené záznamy a zacházejí s touto nejednoznačností jako s ustáleným faktem.
  • Většina organizací nasazuje autonomní agenty, zatímco jen málo z nich považuje svou infrastrukturu za skutečně připravenou je řídit.

Před časem jsem viděl agenta AI, který z naprosto banálního důvodu sebejistě odpověděl špatně. Firma měla dva záznamy o stejném firemním zákazníkovi. Jeden obsahoval starý obchodní název a kontakt na finanční oddělení. Druhý obsahoval nový právní název, který společnost přijala po akvizici, spolu s jinou fakturační adresou. Agent dostal jednoduchou otázku: je tento zákaznický účet v pořádku? Našel jeden záznam, neviděl žádné faktury po splatnosti a odpověděl ano. Faktury po splatnosti byly vedeny pod druhým názvem.

Nevznikla žádná halucinace. Model nad poskytnutými daty uvažoval správně. Data pouze popisovala dva zákazníky, zatímco ve skutečném světě existoval jediný. Chyba nebyla v jazykovém modelu, ale ve spojení záznamů.

Začal jsem to považovat za jedno z nejpodceňovanějších a nejméně diskutovaných rizik podnikové AI. Neustále mluvíme o přesnosti modelů, návrhu promptů a pravidlech řízení. Mnohem méně mluvíme o tom, zda systém skutečně ví, vůči kterému skutečnému zákazníkovi, dodavateli nebo účtu jedná. Tato otázka má jméno: rozpoznávání a propojování entit neboli entity resolution. Po šedesáti letech v pozadí se nenápadně mění v součást infrastruktury fungující v reálném čase.

Problém změnil čas

Po většinu své historie byla otázka „představují tyto dva záznamy stejnou entitu?“ záležitostí čištění dat. Zpracovávala se dávkově podle plánu, někde v programu správy kmenových dat, datovém skladu nebo analytickém procesu. Nikdy to nebylo dokonalé, ale s chybami se dalo žít, protože výstupem byla zpráva, kterou si někdo přečetl příští týden. Pokud se nespojily dva záznamy o stejném dodavateli, součet výdajů byl mírně chybný, analytik si toho všiml a při dalším zpracování se chyba opravila. Systém měl časovou rezervu. Čas pohlcoval chyby.

Agent AI tuto rezervu odstraňuje. Mění čas otázky z „někdy později“ na „teď“. Když se agent chystá schválit vrácení peněz, přesměrovat případ, aktualizovat profil nebo odpovědět na otázku souladu s předpisy, rozpoznaná entita už není podkladem pro přehledový panel. Je podkladem pro akci. Cena nesprávného spojení se mění z mírně nepřesného čísla v něco, co se okamžitě stane ve skutečném světě, často bez zapojeného člověka, který by chybu zachytil.

Nad tímto posunem stojí za to se zastavit. Samotný problém je starý a dobře známý. Nové je to, že jsme jej přímo zapojili do systémů, které jednají samostatně.

Statistický problém ze šedesátých let

Rozpoznávání entit nepřišlo s velkými jazykovými modely, ale s děrnými štítky. V roce 1959 publikovali H. B. Newcombe a jeho kolegové v časopise Science krátký článek o automatickém propojování matričních záznamů, který popisoval, jak může počítač rozhodnout, zda záznam o narození a záznam o sňatku odkazují na tutéž osobu. O deset let později dali Ivan Fellegi a Alan Sunter této myšlence formální matematickou teorii. Definovali tři výsledky, které každý párovací systém vytváří dodnes: shodu, neshodu a možnou shodu, kterou musí zkontrolovat člověk.

V této historii je detail, u kterého stojí za to se zastavit, protože právě ten lidé nejčastěji chápou špatně. Propojování záznamů nikdy nebylo jen přesnou shodou e-mailové adresy či společného identifikátoru. Od počátku bylo pravděpodobnostní. Vyhodnocovalo důkazy shody příjmení, data a místa ve dvou záznamech a vytvářelo skóre, protože lidmi zadávaná data jsou neuspořádaná a přesné klíče neustále selhávají. Moderní rozpoznávání entit funguje stejně. Kombinuje deterministická pravidla, kde rozhoduje společný stabilní identifikátor, s pravděpodobnostním a přibližným párováním pomocí strojového učení. To si poradí s překlepy, přezdívkami, prohozenými poli, zkratkami a tuctem drobných způsobů, jimiž se stejný člověk či firma v různých systémech objevuje odlišně. Dobrý přehled tohoto oboru sleduje nepřerušenou linii od matričních záznamů z padesátých let k dnes používaným metodám shlukování a strojového učení.

Skutečně se změnilo to, kdy odpověď potřebujeme. Výzkumníci psali o rozpoznávání entit v okamžiku dotazu namísto čistě předběžného zpracování dávno před současnou vlnou AI. Tehdy šlo o zajímavou optimalizaci. Dnes se to blíží nezbytnému požadavku. [1] [2] [3] [4]

Proč z toho agenti dělají infrastrukturu

Většina podnikových systémů AI neodpovídá z paměti modelu. Vyhledává informace. Postup známý jako generování rozšířené o vyhledávání nechává agenta v okamžiku otázky získat relevantní kontext a uvažovat na jeho základě. Celkově je to dobrá věc. Odpovědi zakládá na vašich datech místo na trénování modelu.

Má to však snadno přehlédnutelný důsledek. Agent přebírá vše, co mu krok vyhledávání předá. Pokud vyhledávání vrátí roztříštěného zákazníka, tedy tři dílčí záznamy, které nikdy nebyly propojeny, agent bude uvažovat o třech zákaznících. Pokud vrátí nesprávně sloučeného zákazníka, tedy dvě různé firmy spojené do jediného profilu, bude uvažovat o jednom. Nejednoznačnost již přítomná ve zdrojových systémech se přenese přímo k modelu jako nezpochybněný fakt. Model nemůže poznat, že spojení bylo chybné, stejně jako byste to nepoznali vy při čtení úhledného souhrnu záznamů, které jste nikdy neviděli.

Rozpoznávání entit proto nemůže být dodatečně připojeným procesem, který se jednou za čtvrtletí spustí a jehož výsledek skončí v samostatné tabulce. Entita se musí sestavit při příjmu dat a její aktuální propojený pohled musí být dostupný přesně v okamžiku, kdy jej agent požaduje. Jde o závislost za běhu. Chová se mnohem více jako databáze či autentizační služba než jako pravidelný projekt čištění dat. Musí se stejně navrhovat, monitorovat a zajišťovat jeho spolehlivost jako u jakéhokoli jiného systému, který aplikace volá v reálném čase.

Mezera v připravenosti, kterou nikdo přesně nepojmenovává

Odvětví už tuší, že něco chybí. Dokument společnosti Cisco AI Readiness Index 2025 zjistil, že 83 procent organizací plánuje nasadit autonomní agenty, ale jen asi třetina má pocit, že je na ně její infrastruktura opravdu připravena, a pouze přibližně čtvrtina se cítí vybavena k řízení a kontrole toho, co agenti skutečně dělají. Nejnovější průzkum společnosti McKinsey State of AI popisuje podobnou mezeru z opačné strany: přibližně 88 procent organizací nyní používá AI alespoň v jedné funkci, ale většina ji nerozšířila na celý podnik. [1] [2]

Při vysvětlování této mezery lidé často sáhnou po dvou pojmech: kvalita dat a pravidla jejich řízení. Obojí je důležité a ani jedno není volitelné. Pod nimi však leží užší otázka, na kterou čistá a dobře spravovaná data sama neodpovědí. Dokáže systém právě teď napříč všemi místy, kde se daný záznam nachází, určit, na kterou skutečnou entitu odkazuje? V každém jednotlivém systému můžete mít kvalitní data, a přesto v tomto testu neuspět. Chyba totiž neleží uvnitř žádného jednoho systému, ale v mezerách mezi nimi, kde má stejný zákazník tři mírně odlišné podoby.

Co zkontrolovat předtím, než necháte agenta jednat

Pokud rozpoznávání entit chápete jako infrastrukturu fungující v reálném čase, můžete je jako infrastrukturu kontrolovat. Provozní selhání jsou konkrétní a testovatelná: rozdělené identity, které by měly být jedinou identitou; chybné slučování záznamů, jež mají zůstat oddělené; zastaralá pravidla výběru výsledné hodnoty, která stále upřednostňují již nahrazenou adresu; chybějící trvalé identifikátory; a agenti přebírající nejednoznačnost zdrojového systému, jako by šlo o vyřešenou pravdu.

Praktický test připravenosti nevyžaduje nový model ani novou kategorii dodavatelů. Sestavte referenční soubor entit, jejichž skutečné poměry dobře znáte. Proveďte jej stejnou cestou vyhledávání, jakou používá agent, nikoli zvláštní vyčištěnou kopií vytvořenou pro ukázku. Pak měřte věci, které skutečně rozhodují o výsledku: počty chybných sloučení a rozdělení, zacházení se skutečnou nejednoznačností, umístění prahů jistoty, okamžik předání člověku namísto hádání a plynulost předání stávajícím kontrolním mechanismům správy kmenových dat a pravidel jejich řízení. Pokud tým tyto otázky nedokáže zodpovědět, agent jedná na základě identity, kterou nemůže ověřit, a důvěra v jeho výstup je neopodstatněná.

Nic z toho nenahrazuje správu kmenových dat, pravidla řízení, platformy zákaznických dat ani datový sklad. Odpovídají na jiné otázky a zůstávají nezbytné. Pravidla řízení určují, co smí agent dělat. Rozpoznávání entit určuje, vůči komu nebo čemu to dělá. První oblast je ve většině velkých organizací vyspělá. Druhá je vrstva, o níž mnozí brzy zjistí, že ji potřebují vedle první, v reálném čase, jakmile nechají agenta jednat místo pouhého poskytování rad.

Agent, kterého jsem viděl, nepotřeboval chytřejší model. Než směl znít sebejistě, potřeboval vědět, že dva názvy představují jediného zákazníka. Jak těmto systémům svěřujeme skutečnou pravomoc jednat, přestává být tato nenápadná šedesátiletá disciplína pouhým čištěním a stává se nosnou konstrukcí.

Steven Renwick je spoluzakladatel a CEO společnosti Tilores (tilores.io), která poskytuje párování záznamů o stejných entitách v reálném čase prostřednictvím API pro týmy AI a datové týmy. Pracuje s vedoucími inženýrských a datových týmů na řešení identity zákazníků, dodavatelů a účtů napříč fragmentovanými systémy.