Tankeledere

Entitetsafklaring er ved at blive AI-infrastruktur, ikke blot datarensning

Steven Renwick
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterEntity resolution skifter fra periodisk oprydning til runtime-infrastruktur, fordi…
Vis mere
  • Entity resolution skifter fra periodisk oprydning til runtime-infrastruktur, fordi agenter handler øjeblikkeligt på opløste identiteter.
  • Retrieval-augmenterede agenter arver fragmenterede eller fejlagtigt sammenflettede poster og behandler den uklarhed som fastslået faktum.
  • De fleste organisationer implementerer autonome agenter, mens få anser deres infrastruktur for reelt klar til at styre dem.

For nylig så jeg en AI-agent give et selvsikkert forkert svar af en helt banal grund. Et firma havde to poster for den samme virksomhedskunde. Den ene post indeholdt det gamle handelsnavn og en finanskontakt. Den anden post indeholdt det nye juridiske navn, som firmaet havde antaget efter et opkøb, samt en anden faktureringsadresse. Agenten blev stillet et enkelt spørgsmål: Er denne konto i god stand? Den fandt en post, så ingen forfaldne fakturaer og sagde ja. De forfaldne fakturaer var registreret under det andet navn.

Intet var hallucineret. Modellen ræsonnerede logisk over de data, den fik. Dataene beskrev blot to kunder, hvor der i virkeligheden kun var én. Fejlen lå ikke i sprogmodellen. Den lå i sammenlægningen.

Jeg er begyndt at tro, at dette er en af de mest underestimerede risici i virksomheds-AI, og en af de mindst diskuterede. Vi taler uendeligt om modelpræcision, prompt-design og styring. Vi taler langt mindre om, hvorvidt et system faktisk ved, hvilken virkelig kunde, leverandør eller konto det retter sine handlinger mod. Det spørgsmål har et navn. Det hedder entitetsløsning, og efter 60 år i baggrunden er det stille og roligt ved at blive til en del af live-infrastrukturen.

Problemet skiftede tid

I det meste af disciplinens historie var “er disse to poster den samme enhed?” et rensningsspørgsmål. Du kørte det i en batch, på fastlagte tidspunkter, et sted inde i et masterdatastyringsprogram, et datavarehus eller en analysepipeline. Det var aldrig perfekt, men fejlene var til at leve med, fordi outputtet var en rapport, som nogen læste næste uge. Hvis to poster for den samme leverandør ikke var sammenføjet, blev en udgiftssum lidt forkert, en analytiker lagde mærke til det, og det blev rettet i næste kørsel. Systemet havde en vis fleksibilitet. Tiden absorberede fejlene.

En AI-agent fjerner den fleksibilitet. Den skifter tidsperspektivet for spørgsmålet fra “til sidst” til “nu”. Når en agent er på vej til at godkende en refusion, dirigere en sag, opdatere en profil eller besvare et compliance-spørgsmål, er den løste enhed ikke længere input til et dashboard. Den leverer input til en handling. Omkostningerne ved en forkert sammenlægning skifter fra et tal, der er lidt forkert, til noget, der sker i verden, øjeblikkeligt, og ofte uden nogen menneskelig indgriben til at fange det.

Det er det skift, der er værd at stoppe op ved. Det underliggende problem er gammelt og velkendt. Det nye er, at vi har koblet det direkte til systemer, der handler på egen hånd.

Et statistikproblem fra 1960’erne

Entitetsløsning ankom ikke med store sprogmodeller. Den ankom med hulkort. I 1959 offentliggjorde H. B. Newcombe og hans kolleger en kort artikel i Science om automatisk sammenkædning af civilstandsoplysninger, hvor de beskrev, hvordan en computer kunne afgøre, om en fødselsregistrering og en vielsesregistrering henviste til den samme person. Et årti senere gav Ivan Fellegi og Alan Sunter ideen en formel matematisk teori, der definerer de tre resultater, som ethvert matchningssystem stadig producerer i dag: en sammenkædning, en ikke-sammenkædning og en mulig sammenkædning, som en person skal gennemgå.

Der er en detalje i denne udviklingshistorie, der er værd at dvæle ved, fordi det er det, folk oftest gør forkert. Post-sammenkædning var aldrig kun en eksakt sammenligning af en e-mail-adresse eller en fælles ID. Fra begyndelsen var det probabilistisk. Det vejede beviset for, at to poster var enige om et efternavn, en dato, en placering, og producerede en score, fordi menneskeindtastede data er rodede, og eksakte nøgler fejler konstant. Moderne entitetsløsning fungerer stadig på den måde. Den kombinerer deterministiske regler, hvor en fælles stabil identifikator er afgørende, med probabilistisk og uskarp, maskinlæringsbaseret matching, der kan håndtere stavfejl, kælenavne, ombyttede felter, forkortelser og det dusin små måder, en person eller virksomhed viser sig forskelligt på tværs af systemer. En god gennemgang af feltet tegner en uafbrudt linje fra disse civilstandsoplysninger fra 1950’erne til de klusterings- og maskinlæringsmetoder, der bruges nu.

Hvad der virkelig er ændret, er, hvornår vi har brug for svaret. Forskere skrev om at løse enheder på forespørgselstidspunktet og ikke kun på forhånd, længe før den nuværende bølge af AI. Dengang var det en interessant optimering. Nu er det tættere på et krav.

Hvorfor agenter gør det til infrastruktur

De fleste virksomheds-AI-systemer svarer ikke ud fra modellens hukommelse. De henter. Mønsteret, der er populært som hentningsforstærket generering, lader en agent hente relevant kontekst, når spørgsmålet stilles, og ræsonnere ud fra den. Det er, alt i alt, en god ting. Det forankrer svarene i jeres data snarere end i modellens træning.

Men det medfører en konsekvens, der er let at overse. Agenten arver alt, hvad hentningstrinet giver den. Hvis hentning returnerer en fragmenteret kunde, tre delvise poster, der aldrig er forbundet, vil agenten ræsonnere over tre kunder. Hvis hentning returnerer en forkert sammenføjet kundeprofil, to forskellige virksomheder sammenføjet til en enkelt profil, vil agenten ræsonnere over én. Den tvetydighed, der allerede sidder i jeres kilde-systemer, overføres direkte og præsenteres for modellen som en fastsat sandhed. Modellen har ingen mulighed for at vide, at sammenlægningen var forkert, ligesom du ikke ville, hvis du læste en pæn sammenfatning af poster, du aldrig havde set.

Så løsning kan ikke være en eftertanke, der kører en gang om kvartalet og lander i en separat tabel. Enheden skal samles, når data indtages, og den aktuelle løste visning af den skal være tilgængelig i øjeblikket, agenten spørger. Det er en runtime-afhængighed. Det opfører sig langt mere som en database eller en autentificeringstjeneste end som et periodisk data-rengøringsprojekt, og det skal være designet og overvåget, og pålideligheden skal sikres på samme måde som for ethvert andet system, din applikation kalder i realtid.

Det beredskabsgap, som ingen nævner præcist

Branchen føler allerede, at noget mangler her. Ciscos AI-beredskabsindeks 2025 fandt, at 83 procent af organisationerne planlægger at implementere selvstændige agenter, mens kun omkring en tredjedel føler, at deres infrastruktur er ægte parat til det, og kun omkring en fjerdedel føler sig udstyret til at kontrollere og styre, hvad disse agenter faktisk gør. McKinseys seneste AI-tilstand-undersøgelse beskriver et lignende gap fra den anden side: omtrent 88 procent af organisationerne bruger i dag AI i mindst én funktion, men de fleste har ikke skaleret det på tværs af virksomheden.

Når folk forklarer dette gap, tyr de ofte til to ord: datakvalitet og styring. Begge er vigtige, og ingen af dem er valgfri. Men der er et smallere spørgsmål, der ligger under dem, som rene, velstyrede data ikke selv besvarer. Kan systemet fortælle, hvilken virkelig enhed en given post refererer til, på tværs af alle de steder, hvor posten lever, lige nu? Du kan have højkvalitetsdata i hvert enkelt system og alligevel fejle denne test, fordi fejlen ikke bor i noget enkelt system. Den bor i mellemrummene mellem dem, hvor den samme kunde bærer tre lidt forskellige ansigter.

Hvad du skal tjekke, før du lader en agent handle

Hvis du behandler entitetsløsning som live-infrastruktur, kan du inspicere den som infrastruktur. De operationelle fejltyper er specifikke og testbare: opdelte identiteter, der skal være én, forkerte sammenføjninger af poster, der skal forblive adskilt, forældede regler for valg af den gældende værdi, som stadig prioriterer en erstattet adresse, manglende vedvarende identifikatorer og agenter, der arver kilde-systemets tvetydighed, som om det var en fastsat sandhed.

En praktisk beredskabs-test kræver ikke en ny model eller en ny leverandørkategori. Saml et referencesæt af entiteter, hvis faktiske forhold du kender indgående. Kør det gennem den samme hentningssti, din agent bruger, ikke en separat ren kopi bygget til demo-formålet. Mål derefter de ting, der faktisk afgør resultaterne: hvor mange forkerte sammenføjninger og forkerte split, hvordan systemet håndterer ægte tvetydighed, hvor dens tillidsgrænser sidder, hvornår den eskalerer til et menneske i stedet for at gætte, og hvor smidigt det overdrager til jeres eksisterende masterdata- og styringskontroller. Hvis et hold ikke kan besvare disse spørgsmål, handler agenten på en identitet, den ikke kan verificere, og tilliden til dens output er misplaceret.

Ingenting her erstatter masterdatastyring, styring, kunde-data-platforme eller datavarehuset. Disse besvarer andre spørgsmål og forbliver nødvendige. Styring afgør, hvad en agent har lov til at gøre. Entitetsløsning afgør, hvem eller hvad agenten udfører handlingen på. Den første er moden i de fleste store organisationer. Den sidste er laget, mange er på vej til at opdage, de har brug for ved siden af, i realtid, øjeblikket de lader en agent handle i stedet for at rådgive.

Agenten, jeg så, havde ikke brug for en klogere model. Den havde brug for at vide, at to navne var én kunde, før den fik lov til at lyde sikker. Efterhånden som vi giver disse systemer reel myndighed til at handle, holder den stille, 60 år gamle disciplin op med at være rensning og begynder at bære last.

Steven Renwick er medstifter og administrerende direktør i Tilores (tilores.io), som tilbyder matchning af poster om samme enhed i realtid (entity resolution) via API'er til AI- og datahold. Han arbejder med ingeniør- og dataledere om at løse kunde-, leverandør- og kontoidentitet på tværs af fragmenterede systemer.