Tankeledere

Entitetsavklaring blir AI-infrastruktur, ikke bare datarydding

Steven Renwick
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterEntitetsavklaring går fra periodisk opprydding til infrastruktur i sanntid fordi…
Vis mer
  • Entitetsavklaring går fra periodisk opprydding til infrastruktur i sanntid fordi agenter handler umiddelbart på avklarte identiteter.
  • Hentingsforsterkede agenter arver fragmenterte eller feilaktig sammenslåtte poster og behandler denne tvetydigheten som fastslått faktum.
  • De fleste organisasjoner tar i bruk autonome agenter, mens få vurderer infrastrukturen sin som reelt klar til å styre dem.

For en stund siden så jeg en AI-agent gi et selvsikkert feil svar av en helt vanlig grunn. Et firma hadde to poster for samme bedriftskunde. Den ene posten inneholdt det gamle handelsnavnet og en finansekontakt. Den andre posten inneholdt det nye juridiske navnet selskapet hadde tatt etter et oppkjøp, samt en annen fakturaadresse. Agenten fikk et enkelt spørsmål: er denne kontoen i god stand? Den fant en post, så ingen forfalte fakturaer og sa ja. De forfalte fakturaene var registrert under det andre navnet.

Ingenting var hallusinert. Modellen resonnerte logisk over dataene den hadde fått. Dataene beskrev bare to kunder der det i virkeligheten var en. Feilen lå ikke i språkmodellen. Den lå i sammenføyningen.

Jeg har kommet til å tenke at dette er en av de mest undervurderte risikoene i bedrifts-AI, og en av de minst diskuterte. Vi snakker uendelig om modellnøyaktighet, promptdesign og styring. Vi snakker mye mindre om om systemet faktisk vet hvilken virkelig kunde, leverandør eller konto det retter handlingene sine mot. Det spørsmålet har et navn. Det kalles entitetsløsning, og etter seksti år i bakgrunnen er det stille og rolig blitt en del av live-infrastrukturen.

Problemet endret tid

Gjennom det meste av fagområdets historie har “er disse to postene samme enhet?” vært et rengjørings-spørsmål. Du kjørte det i en batch, etter en tidsplan, et sted inne i et master data management-program, et datavarehus eller en analysepipeline. Det var aldri perfekt, men feilene var til å leve med, fordi utdata var en rapport noen leste neste uke. Hvis to poster for samme leverandør ikke ble slått sammen, kom et utgiftstall ut litt feil, en analytiker merket det og det ble fikset i neste kjøring. Systemet hadde tidsmessig slingringsmonn. Tiden absorberte feilene.

En AI-agent fjerner dette slingringsmonnet. Den endrer spørsmålets tid fra “til slutt” til “nå”. Når en agent er på vei til å godkjenne en refusjon, dirigere en sak, oppdatere en profil eller svare på et samsvarsspørsmål, gir den identifiserte enheten ikke lenger input til et dashbord, men til en handling. Kostnaden av en feil sammenføyning går fra et tall som er litt feil til noe som skjer i verden, umiddelbart, og ofte uten et involvert menneske som kan oppdage feilen.

Dette er et skifte det er verdt å stoppe opp ved. Det underliggende problemet er gammelt og godt forstått. Hva som er nytt er at vi har koblet det direkte til systemer som handler på egen hånd.

Et 1960-talls statistikkproblem

Entitetsløsning kom ikke med store språkmodeller. Den kom med hullkort. I 1959 publiserte H. B. Newcombe og hans kolleger en kort artikkel i Science om automatisk sammenkobling av folkeregisteropplysninger, som beskrev hvordan en datamaskin kunne bestemme om en fødselspost og en ekteskapspost refererte til samme person. Et tiår senere ga Ivan Fellegi og Alan Sunter ideen en formell matematisk teori, som definerte de tre resultatene ethvert sammenkoblingssystem fremdeles produserer i dag: en kobling, en ikke-kobling og en mulig kobling som en person må gjennomgå.

Det er en detalj i denne utviklingshistorien som er verdt å dvele ved, fordi det er det folk oftest får feil. Post-sammenkobling var aldri bare eksakt sammenføyning på en e-postadresse eller en felles ID. Fra begynnelsen var det probabilistisk. Det vurderte bevisene for at to poster var enige om et etternavn, en dato, en plass og produserte en score, fordi menneskeinntastede data er uordentlige og eksakte nøkler svikter konstant. Moderne entitetsløsning fungerer fortsatt på denne måten. Den kombinerer deterministiske regler, der en felles stabil identifikator er avgjørende, med probabilistisk og omtrentlig matching basert på maskinlæring som håndterer skrivefeil, kallenavn, ombyttede felt, forkortelser og det dusinet små måter samme person eller selskap viser seg forskjellig på tvers av systemer. En god oversikt over feltet sporer en uavbrutt linje fra disse folkeregisteropplysningene fra 1950-tallet til klustering- og maskinlærings-metodene som brukes nå.

Hva som virkelig har endret seg er når vi trenger svaret. Forskere skrev om å løse enheter på spørringstidspunktet, snarere enn bare på forhånd, lenge før den nåværende bølgen av AI. Da var det en interessant optimalisering. Nå er det nærmere et krav.

Hvorfor agenter gjør det til infrastruktur

De fleste bedrifts-AI-systemer svarer ikke fra modellens minne. De henter. Mønsteret som er populært som henting-forsterket generering har en agent som henter relevant kontekst når spørsmålet stilles, og resonnerer ut fra den. Dette er, samlet sett, en god ting. Det forankrer svarene i dine data snarere enn modellens trening.

Men det medfører en konsekvens som er lett å overse. Agenten arver hva hentingssteget gir den. Hvis henting returnerer en fragmentert kunde, tre delvise poster som aldri ble koblet sammen, vil agenten resonnere over tre kunder. Hvis henting returnerer en feilaktig sammenkoblet kundeprofil, to forskjellige selskaper kollapset til en enkelt profil, vil agenten resonnere over en. Usikkerheten som allerede sitter i dine kilde-systemer blir overført rett gjennom og presentert for modellen som en fast sannhet. Modellen har ingen mulighet til å vite at sammenføyningen var feil, like lite som du ville visst det ved å lese en ryddig sammenfatning av poster du aldri hadde sett.

Så løsning kan ikke være en ettertanke som kjøres en gang i kvartalet og lander i en separat tabell. Enheten må bli satt sammen når data tas inn, og den nåværende løste visningen av den må være hentbar i øyeblikket agenten spør. Det er en kjøretids-avhengighet. Det oppfører seg mye mer som en database eller en autentiserings-tjeneste enn som et periodisk data-rengjøringsprosjekt, og det må bli utformet og overvåket, og påliteligheten må sikres på samme måte som for ethvert annet system din applikasjon kaller i sanntid.

Beredskapsgapet ingen navngir nøyaktig

Bransjen føler allerede at noe mangler her. Ciscos AI-beredskapsindeks 2025 fant at 83 prosent av organisasjonene planlegger å distribuere autonome agenter, mens bare omkring en tredjedel føler at deres infrastruktur virkelig er klar for dem, og bare omkring en fjerdedel føler seg utstyrt til å kontrollere og styre hva disse agentene faktisk gjør. McKinseys siste AI-tilstand-undersøkelse beskriver et lignende gap fra den andre siden: omtrent 88 prosent av organisasjonene bruker nå AI i minst en funksjon, men de fleste har ikke skalert det over hele bedriften.

Når folk forklarer det gapet, tyr de ofte til to ord: datakvalitet og styring. Begge er viktige, og ingen av dem er valgfrie. Men det er et smalere spørsmål som ligger under dem som rene, godt styrte data ikke besvarer alene. Kan systemet si hvilken virkelig enhet en gitt post refererer til, på tvers av alle steder den posten bor, nå? Du kan holde høykvalitetsdata i hvert enkelt system og likevel feile den testen, fordi feilen ikke bor inne i noe enkelt system. Den bor i mellomrommene mellom dem, hvor samme kunde bærer tre litt forskjellige ansikter.

Hva du bør sjekke før du lar en agent handle

Hvis du behandler entitetsløsning som live-infrastruktur, kan du inspisere det som infrastruktur. De operative feilmodusene er spesifikke og testbare: splittede identiteter som burde være en, feil sammenføyninger av poster som burde forbli adskilte, utdaterte regler for valg av gjeldende verdi som fortsatt prioriterer en adresse som er erstattet, manglende varige identifikatorer og agenter som arver kilde-system-usikkerhet som om den var avklart sannhet.

En praktisk beredskapstest trenger ikke en ny modell eller en ny leverandør-kategori. Sett sammen et referansesett av entiteter hvis faktiske forhold du kjenner godt. Kjør det gjennom samme hentings-sti din agent bruker, ikke en separat ren kopi bygget for demoen. Mål deretter tingene som virkelig bestemmer resultater: hvor mange feil sammenføyninger og feil splitt, hvordan systemet håndterer ekte usikkerhet, hvor dens tillitsnivåer sitter, når den eskalerer til et menneske i stedet for å gjette, og hvor smidig systemet overleverer til eksisterende kontroller for masterdata og styring. Hvis et team ikke kan svare på disse spørsmålene, handler agenten på en identitet den ikke kan verifisere, og tillit til utdata er misplassert.

Ingenting av dette erstatter master data-styring, styring, kunde-data-plattformer eller datavarehuset. Disse svarer på forskjellige spørsmål, og de forblir nødvendige. Styring bestemmer hva en agent har lov til å gjøre. Entitetsløsning bestemmer hvem eller hva agenten utfører handlingen overfor. Den første er moden i de fleste store organisasjoner. Den andre er laget mange snart vil oppdage at de trenger ved siden av det første, i sanntid, idet de lar en agent handle i stedet for bare å gi råd.

Agenten jeg så trengte ikke en smartere modell. Den trengte å vite at to navn var en kunde før den fikk lov til å høres sikker ut. Når vi gir disse systemene virkelig autoritet til å handle, slutter den stille, seksti år gamle disiplinen å være ren datarydding og blir en bærende struktur.

Steven Renwick er medgrunnlegger og administrerende direktør i Tilores (tilores.io), som tilbyr sammenkobling av poster som viser til samme enhet i sanntid (entity resolution) gjennom API-er for AI- og datateam. Han arbeider med ingeniør- og dataledere for å løse kunde-, leverandør- og konto-identitet over fragmenterte systemer.