विचार नेता
एंटिटी रिज़ॉल्यूशन केवल डेटा-सफाई नहीं, एआई का बुनियादी ढाँचा बन रहा है

मुख्य बिंदुएजेंट्स निर्धारित पहचानों पर तत्काल कार्य करते हैं, इसलिए एंटिटी रिज़ॉल्यूशन आवधिक…
और देखें
- एजेंट्स निर्धारित पहचानों पर तत्काल कार्य करते हैं, इसलिए एंटिटी रिज़ॉल्यूशन आवधिक सफ़ाई से हटकर रनटाइम इन्फ्रास्ट्रक्चर में बदल जाता है।
- रिट्रीवल-ऑगमेंटेड एजेंट्स खंडित या गलत तरीके से विलय किए गए रिकॉर्ड विरासत में पाते हैं और उस अस्पष्टता को स्थापित तथ्य मान लेते हैं।
- अधिकांश संगठन स्वायत्त एजेंट्स तैनात करते हैं, जबकि कुछ ही अपने इन्फ्रास्ट्रक्चर को उन्हें नियंत्रित करने के लिए वास्तव में तैयार मानते हैं।
कुछ समय पहले मैंने एक एआई एजेंट को आत्मविश्वास से गलत उत्तर देते हुए देखा, जो एक पूरी तरह से साधारण कारण से था। एक व्यवसाय के पास दो रिकॉर्ड थे जो एक ही कॉर्पोरेट ग्राहक के लिए थे। एक रिकॉर्ड में पुराना व्यापारिक नाम और वित्त संपर्क था, जबकि दूसरे रिकॉर्ड में नया कानूनी नाम और एक अलग बिलिंग पता था जो कंपनी ने अधिग्रहण के बाद अपनाया था। एजेंट से एक सरल प्रश्न पूछा गया था: क्या यह खाता अच्छी स्थिति में है? इसने एक रिकॉर्ड खोजा, उसे कोई समय-सीमा पार कर चुका चालान नहीं दिखा, और हाँ कहा। समय-सीमा पार कर चुके चालान दूसरे नाम के तहत दायर किए गए थे।
कुछ भी कल्पित या मतिभ्रम से गढ़ा हुआ नहीं था। मॉडल ने साफ़ तरीके से दिए गए डेटा पर तर्क किया। डेटा बस दो ग्राहकों का वर्णन कर रहा था, जबकि वास्तविक दुनिया में केवल एक ग्राहक था। गलती मॉडल में नहीं थी। यह जोड़ में थी।
मेरी नज़र में यह उद्यम एआई के सबसे कम आँके जाने वाले और सबसे कम चर्चित जोखिमों में से एक है। हम मॉडल की सटीकता, प्रॉम्प्ट डिज़ाइन और शासन के बारे में बात करते हैं। हम कम बात करते हैं कि क्या प्रणाली वास्तव में जानती है कि यह किस वास्तविक दुनिया के ग्राहक, आपूर्तिकर्ता या खाते पर कार्य कर रही है। उस प्रश्न का एक नाम है। यह एंटिटी रिज़ॉल्यूशन कहलाता है, और साठ वर्षों तक पृष्ठभूमि में रहने के बाद यह चुपचाप वास्तविक समय के बुनियादी ढाँचे का हिस्सा बन रहा है।
समस्या का काल बदल गया
इसके काम के जीवन के अधिकांश हिस्से के लिए, “क्या ये दो रिकॉर्ड एक ही इकाई हैं?” एक क्लीनअप प्रश्न था। आप इसे एक बैच में चलाते थे, एक अनुसूची पर, एक मास्टर डेटा प्रबंधन कार्यक्रम, एक वेयरहाउस, या एक विश्लेषण पाइपलाइन के भीतर। यह कभी परिपूर्ण नहीं था, लेकिन कमियों के साथ काम चल सकता था, क्योंकि आउटपुट एक रिपोर्ट थी जिसे कोई अगले हफ्ते पढ़ता था। यदि एक ही आपूर्तिकर्ता के लिए दो रिकॉर्ड विलय नहीं किए गए थे, तो एक खर्च आंकड़ा थोड़ा गलत निकला, एक विश्लेषक ने इसे देखा, और इसे अगले रन में ठीक कर दिया गया। प्रणाली में समय की गुंजाइश थी। समय ने त्रुटियों को अवशोषित किया।
एक एआई एजेंट उस गुंजाइश को हटा देता है। यह प्रश्न के काल को “आखिरकार” से “अब” में बदलता है। जब एक एजेंट एक रिफंड को मंजूरी देने वाला होता है, एक मामले को रूट करने वाला होता है, एक प्रोफाइल को अपडेट करने वाला होता है, या एक अनुपालन प्रश्न का उत्तर देने वाला होता है, तो हल की गई इकाई अब डैशबोर्ड के बजाय कार्रवाई के लिए जानकारी देती है। गलत जोड़ की कीमत थोड़ी गलत संख्या से बदलकर ऐसी घटना बन जाती है जो वास्तविक दुनिया में तुरंत होती है, अक्सर प्रक्रिया में ऐसे किसी मनुष्य के बिना जो गलती पकड़ सके।
यह वह बदलाव है जिस पर रुककर विचार करना चाहिए। अंतर्निहित समस्या पुरानी और अच्छी तरह से समझी जाती है। नया यह है कि हमने इसे सीधे उन प्रणालियों में जोड़ दिया है जो अपने आप कार्य करती हैं।
1960 के दशक की एक आँकड़ों की समस्या
एंटिटी रिज़ॉल्यूशन बड़े भाषा मॉडल के साथ नहीं आया। यह पंच कार्ड के साथ आया। 1959 में, एच.बी. न्यूकोम्बे और उनके सहयोगियों ने Science पत्रिका में जन्म-विवाह जैसे जनसांख्यिकीय रिकॉर्ड के स्वचालित संयोजन पर एक लघु शोधपत्र प्रकाशित किया, जिसमें बताया गया था कि एक कंप्यूटर कैसे तय कर सकता है कि एक जन्म रिकॉर्ड और एक विवाह रिकॉर्ड एक ही व्यक्ति के लिए हैं या नहीं। एक दशक बाद, इवान फेलेगी और एलन सुन्टर ने इस विचार को एक औपचारिक गणितीय सिद्धांत दिया, जिसमें आज भी हर मिलान प्रणाली से मिलने वाले तीन परिणाम परिभाषित किए गए: संबंध, कोई संबंध नहीं, और संभावित संबंध जिसकी मानव समीक्षा ज़रूरी है।
इस इतिहास में एक बारीकी पर गौर करना चाहिए, क्योंकि लोग अक्सर इसी को गलत समझते हैं। रिकॉर्ड जोड़ना कभी केवल ईमेल पते या साझा आईडी का सटीक मिलान नहीं था। शुरुआत से ही यह संभाव्यता-आधारित था। इसमें दो रिकॉर्ड के उपनाम, तारीख और स्थान से मेल खाने के साक्ष्य को भार देकर एक स्कोर निकाला जाता था, क्योंकि मनुष्यों द्वारा दर्ज डेटा अव्यवस्थित होता है और सटीक कुंजियाँ लगातार विफल होती हैं। आधुनिक एंटिटी रिज़ॉल्यूशन भी इसी तरह काम करता है। यह नियतात्मक नियमों, जहाँ साझा स्थिर पहचानकर्ता निर्णायक होता है, को संभाव्य और फ़ज़ी मशीन-लर्निंग मिलान से जोड़ता है। इससे टाइपिंग की गलतियाँ, प्रचलित नाम, उलट-पुलट हुए फ़ील्ड, संक्षिप्त रूप और वे लगभग एक दर्जन छोटे अंतर संभाले जाते हैं जिनके कारण एक ही व्यक्ति या कंपनी अलग-अलग प्रणालियों में अलग दिखती है। क्षेत्र का एक अच्छा सर्वेक्षण 1950 के दशक के जनसांख्यिकीय रिकॉर्ड से लेकर अब तक के क्लस्टरिंग और मशीन-लर्निंग विधियों की एक अविच्छिन्न रेखा का पता लगाता है।
जो वास्तव में बदला है वह यह है कि हमें उत्तर कब चाहिए। शोधकर्ता प्रश्न समय पर इकाइयों को हल करने के बारे में लिख रहे थे, न कि केवल अग्रिम में, वर्तमान एआई लहर से बहुत पहले। तब यह एक दिलचस्प अनुकूलन था। अब यह एक आवश्यकता के करीब है।
एजेंट इसे इंफ्रास्ट्रक्चर में क्यों बदलते हैं
अधिकांश उद्यम एआई प्रणालियाँ मॉडल की स्मृति से उत्तर नहीं देती हैं। वे पुनर्प्राप्ति करते हैं। रिट्रीवल-ऑगमेंटेड जेनरेशन के रूप में लोकप्रिय तरीके में एजेंट प्रश्न पूछे जाने के समय संबंधित संदर्भ लाता है और उसके आधार पर तर्क करता है। कुल मिलाकर यह अच्छी बात है। इससे उत्तर मॉडल के प्रशिक्षण के बजाय आपके डेटा पर आधारित होते हैं।
लेकिन इसका एक परिणाम आसानी से नज़रअंदाज़ हो जाता है। एजेंट खोज के चरण से मिलने वाली हर चीज़ को अपना लेता है। अगर खोज एक बिखरा हुआ ग्राहक लौटाए—तीन आंशिक रिकॉर्ड जो कभी जुड़े ही नहीं—तो एजेंट तीन ग्राहकों के बारे में तर्क करेगा। अगर वह गलत तरीके से जोड़ा गया ग्राहक लौटाए—दो अलग कंपनियाँ एक ही प्रोफ़ाइल में समेट दी गई हों—तो वह एक के बारे में तर्क करेगा। स्रोत प्रणालियों में पहले से मौजूद अस्पष्टता सीधे मॉडल तक पहुँचती है और उसे तय तथ्य की तरह दिखाई जाती है। मॉडल के पास यह जानने का कोई तरीका नहीं कि जोड़ गलत था, जैसे आप भी ऐसे रिकॉर्ड का सुव्यवस्थित सारांश पढ़कर नहीं जान सकते जिन्हें आपने कभी देखा ही नहीं।
इसलिए रिज़ॉल्यूशन कोई बाद में जोड़ी गई प्रक्रिया नहीं हो सकती जिसे तिमाही में एक बार चलाकर अलग तालिका में डाल दिया जाए। डेटा ग्रहण करते समय ही इकाई को तैयार करना होगा और एजेंट के पूछते ही उसका वर्तमान, समाधान किया हुआ दृश्य उपलब्ध होना चाहिए। यह रनटाइम निर्भरता है। इसका व्यवहार समय-समय पर चलने वाली डेटा-सफाई परियोजना की तुलना में डेटाबेस या प्रमाणीकरण सेवा से कहीं अधिक मिलता है। इसे भी किसी अन्य प्रणाली की तरह डिज़ाइन करना, निगरानी करना और इसकी विश्वसनीयता सुनिश्चित करना होगा जिसे आपका अनुप्रयोग वास्तविक समय में कॉल करता है।
किसी के द्वारा सटीक रूप से नामित नहीं की गई तैयारी का अंतर
उद्योग पहले से ही महसूस करता है कि यहाँ कुछ कमी है। सिस्को के एआई रेडीनेस इंडेक्स 2025 में पाया गया कि 83 प्रतिशत संगठन स्वायत्त एजेंट तैनात करने की योजना बना रहे हैं, जबकि केवल लगभग एक तिहाई को लगता है कि उनका बुनियादी ढाँचा वास्तव में उनके लिए तैयार है। केवल लगभग एक चौथाई को लगता है कि वे एजेंट के वास्तविक काम को नियंत्रित करने और उसका शासन करने में सक्षम हैं। मैककिंसे का नवीनतम एआई की स्थिति सर्वेक्षण दूसरी दिशा से ऐसी ही खाई दिखाता है: लगभग 88 प्रतिशत संगठन अब कम से कम एक कार्य में एआई इस्तेमाल करते हैं, लेकिन अधिकांश ने इसे पूरे उद्यम में नहीं फैलाया है।
जब लोग इस अंतर को समझाते हैं तो दो शब्दों का सहारा लेते हैं: डेटा गुणवत्ता और शासन। दोनों महत्वपूर्ण हैं और किसी को छोड़ा नहीं जा सकता। लेकिन इनके नीचे एक अधिक विशिष्ट प्रश्न है जिसका उत्तर साफ़, अच्छी तरह शासित डेटा अकेले नहीं देता। क्या प्रणाली अभी, हर उस जगह पर जहाँ कोई रिकॉर्ड मौजूद है, बता सकती है कि वह वास्तविक दुनिया की किस इकाई से संबंधित है? हर अलग प्रणाली में उच्च गुणवत्ता का डेटा होने पर भी यह परीक्षा असफल हो सकती है। विफलता किसी एक प्रणाली के भीतर नहीं, उनके बीच के स्थानों में होती है, जहाँ वही ग्राहक तीन थोड़े अलग चेहरों में दिखाई देता है।
एक एजेंट को कार्य करने देने से पहले जाँचें
यदि एंटिटी रिज़ॉल्यूशन को वास्तविक समय के बुनियादी ढाँचे की तरह लें, तो उसकी जाँच भी वैसे कर सकते हैं। परिचालन विफलताएँ विशिष्ट और परीक्षण योग्य हैं: एक होनी चाहिए ऐसी पहचान का बँट जाना, अलग रहने चाहिए ऐसे रिकॉर्ड का गलत जुड़ना, मान्य मान चुनने के पुराने नियम जो बदले जा चुके पते को अभी भी प्राथमिकता देते हैं, स्थायी पहचानकर्ताओं की कमी, और स्रोत प्रणालियों की अस्पष्टता को एजेंट द्वारा तय सच्चाई समझकर अपना लेना।
व्यावहारिक तैयारी परीक्षण के लिए नया मॉडल या नई विक्रेता श्रेणी नहीं चाहिए। उन इकाइयों का प्रमाणित संदर्भ-समूह बनाएँ जिनकी वास्तविक स्थिति आप अच्छी तरह जानते हैं। उसे उसी खोज-पथ से गुज़ारें जिसे आपका एजेंट इस्तेमाल करता है, न कि प्रदर्शन के लिए बनाई गई अलग साफ़ प्रति से। फिर वे चीज़ें मापें जो वास्तव में परिणाम तय करती हैं: गलत जोड़ और गलत विभाजन की संख्या, वास्तविक अस्पष्टता का प्रबंधन, विश्वास-स्तर की सीमाएँ, अनुमान लगाने के बजाय मनुष्य को सौंपने का समय, और मौजूदा मास्टर डेटा तथा शासन नियंत्रणों को परिणाम कितनी सुगमता से सौंपे जाते हैं। अगर टीम इन प्रश्नों का उत्तर नहीं दे सकती, तो एजेंट ऐसी पहचान पर काम कर रहा है जिसे सत्यापित नहीं कर सकता और उसके आउटपुट पर भरोसा अनुचित है।
यह मास्टर डेटा प्रबंधन, शासन, ग्राहक डेटा प्लेटफ़ॉर्म या वेयरहाउस की जगह नहीं लेता। ये अलग प्रश्नों के उत्तर देते हैं और अब भी ज़रूरी हैं। शासन तय करता है कि एजेंट क्या कर सकता है। एंटिटी रिज़ॉल्यूशन तय करता है कि वह किसके साथ या किस चीज़ पर वह कार्रवाई कर रहा है। पहला पहलू अधिकांश बड़े संगठनों में परिपक्व है। दूसरा वह परत है जिसकी ज़रूरत पहली के साथ, वास्तविक समय में, कई संगठन जल्द महसूस करेंगे—उसी क्षण जब वे एजेंट को सलाह देने के बजाय कार्रवाई करने देंगे।
मैंने जिस एजेंट को देखा उसे अधिक समझदार मॉडल नहीं चाहिए था। उसे आत्मविश्वास से बोलने की अनुमति देने से पहले यह जानना चाहिए था कि दो नाम एक ग्राहक के हैं। जैसे-जैसे हम इन प्रणालियों को कार्रवाई का वास्तविक अधिकार देते हैं, यह शांत, साठ वर्ष पुराना अनुशासन सफ़ाई से आगे बढ़कर भार सँभालने वाला आधार बन जाता है।












