Piattaforma di enrichment di entity basata su AII suoi documenti diventano un database.

Un'infrastruttura AI con cui persone e agenti AI possono creare, popolare e far evolvere database relazionali normalizzati. Si parte da PDF, foto, memo vocali, file CSV, un database esistente oppure dalla semplice descrizione di ciò che le serve. Entity Enricher crea uno schema modificabile e flussi di lavoro che arricchiscono i suoi dati, risolvono le entità duplicate e mantengono il database sempre aggiornato.

Esegui un arricchimento in tempo reale

Un arricchimento parte da una richiesta e compila lo schema per un'entità e per quelle a essa collegate. Cinque giocatori vengono arricchiti uno dopo l'altro: un club o un paese trovato per un giocatore precedente viene riconosciuto, non aggiunto di nuovo.

Ogni campo di uno schema è una domanda

Gli arricchimenti qui sopra popolano uno schema con dei valori. Ecco lo stesso schema come diagramma delle classi: ogni oggetto della sua struttura JSON, con i suoi campi, ciascuno dei quali mostra il proprio tipo JSON (string, number, boolean…) là dove comparirebbe un valore. Ogni campo contiene una descrizione e, posizionando il puntatore su un campo oppure toccandolo, si apre tale descrizione — la domanda — con gli esempi del campo, i valori che può assumere quando si tratta di un insieme chiuso e l'esperto che risponde; l'intestazione di un oggetto apre la descrizione dell'oggetto stesso. Anche un collegamento a un altro oggetto è un campo: riporta il nome del campo e apre la domanda che indica al modello a quale oggetto si collega.

Ogni descrizione è la domanda che viene posta al modello linguistico per il valore di quel campo. La generazione dello schema le scrive e l'editor dello schema permette di modificarle, per rendere una domanda più precisa o per eliminare un'ambiguità prima dell'esecuzione di qualsiasi arricchimento.

Un identificatore per club con ID semantici, indipendentemente da come ne viene scritto il nome

Ogni arricchimento riporta il nome di un club così come fanno le sue fonti: FC Barcelona nel record di un giocatore, Futbol Club Barcelona in quello successivo. Ogni club citato in un record riceve un ID semantico, mai compilato dal modello, risolto nei tre passaggi seguenti, a partire dal più economico. In caso di dubbio viene creato un nuovo ID: unire due ID richiede un solo clic, annullare un'unione errata no.

Ogni arricchimento diventa righe nelle tue tabelle

Uno schema collegato a un database diventa tabelle: una per tipo di entità, una per ciascun elenco, ognuna unita alle altre tramite le proprie chiavi esterne. Un arricchimento viene scritto in un'unica transazione: prima le righe referenziate, poi le righe che le referenziano. Un'entità già scritta da un arricchimento precedente non aggiunge alcuna nuova riga: la sua riga viene aggiornata oppure lasciata invariata. Uno schema non collegato a nessun database si arresta all'output dell'arricchimento stesso: JSON strutturato, validato rispetto allo schema.

Una sola coda verso il suo database, per le righe come per le modifiche dello schema

Un Database Sync conserva le entità in un database PostgreSQL di sua proprietà. Ogni arricchimento diventa una transazione di upsert, per l'entità e per quelle a essa collegate; la pubblicazione di una modifica dello schema diventa una migrazione. Entrambi attendono nella stessa coda, nell'ordine di arrivo, e il client ee-database applica l'elemento in testa, poi lo conferma. Una nuova colonna esiste quindi già prima della prima riga che la popola, e le righe scritte in precedenza vi contengono NULL.

ee-database è un programma open-source (licenza MIT) che viene eseguito sul proprio server o computer portatile, accanto al database su cui scrive. È il programma stesso ad aprire la connessione, verso l'esterno in direzione di Entity Enricher: in questo modo il database non accetta alcuna connessione dall'esterno e le sue credenziali non lasciano mai quella macchina.

Uno schema creato dall'AI dai campioni di dati forniti

Il campione, estratto da un documento o scritto a mano, costituisce la prima versione dello schema, che viene poi modificata nella piattaforma.

  1. Da un documento a un campione

    È possibile estrarre un campione da un documento — qui, il record di una libreria relativo a The Fellowship of the Ring (il record in formato PDF). L'estrazione conserva tutti i valori indicati nel documento: l'autore e l'editore, ma anche i capitoli, i personaggi e lo scaffale del negozio in cui si trova il libro. Un documento non lascia alcuna scelta su quali campi vengono estratti.

    L'utente conserva quindi i campi a cui è destinato lo schema. Un catalogo di libri richiede un titolo, un genere, un anno e un prezzo, un autore, una serie e un editore: gli altri campi vengono messi da parte. Ciò che resta è il campione di questo libro, il primo dei cinque letti dai passaggi successivi; un documento fornisce un campione, gli altri provengono da altri libri.

  2. Dal campione alla mappa delle entità

    Entity Enricher legge un campione dei suoi dati e riconosce le entity che descrive — qui libri, autori, serie ed editori — insieme ai campi che identificano ciascuna di esse. Queste entity sono proposte: lo schema mantiene la struttura piatta del campione finché l'utente non ne trasforma una in un'entity autonoma, con un solo clic. I suoi campi si spostano allora al di sotto di essa, e un autore citato da più libri diventa un'unica entity con un proprio identificatore univoco.

  3. Campi suddivisi tra gli esperti

    La generazione dello schema raggruppa i campi in base alle conoscenze che richiedono e assegna a ogni gruppo un esperto: qui un esperto di letteratura per titoli, generi, autori e serie, e un esperto di editoria per editori, prezzi e anni di pubblicazione.

    Durante l'arricchimento, ogni esperto può diventare una chiamata a sé, eseguita in parallelo: un modello interrogato solo su prezzi ed editori risponde in modo più completo di uno interrogato su tutto in una volta.

  4. Ogni esperto descrive i propri campi

    Ogni esperto redige quindi la descrizione dei propri campi, con il proprio vocabolario: a quale anno corrisponde l'anno di un libro, in quale valuta e a quale data se ne legge il prezzo. Gli esperti scrivono in parallelo, con una chiamata ciascuno.

    Una descrizione è la domanda a cui un modello risponde per il proprio campo durante l'arricchimento: una descrizione precisa è ciò che fa sì che due modelli, o due esecuzioni, compilino il campo nello stesso modo.

  5. Campi che identificano un'entità

    Per ogni tipo di entità, la generazione dello schema seleziona i campi che identificano una singola istanza — il titolo di un libro, il nome di un autore. Dante e Dan Brown hanno scritto entrambi un Inferno: un libro si distingue in base al titolo e all'autore considerati insieme.

  6. Un ID semantico per ogni entità

    Quando vengono richiesti gli ID semantici, ogni oggetto che rappresenta un'entità riceve un campo id: il libro e ogni entità annidata al suo interno — autore, collana, editore. Il modello non lo compila mai: dopo ogni arricchimento viene risolto a partire dai campi identificativi dell'entità, così lo stesso autore scritto in due modi diversi mantiene un unico identificatore.

    Un oggetto che contiene solo informazioni relative al proprio elemento padre — qui l'anno e il prezzo del libro — non ne riceve nessuno: nessun campo al suo interno identifica qualcosa. Lo stesso vale per un'associazione, come il numero di volume di un libro all'interno della sua collana: è identificata dalle due entità che mette in relazione.

  7. Campi multilingua

    Un campo di testo può essere contrassegnato come multilingue: in tal caso contiene un valore per ciascuna lingua richiesta — un titolo, un genere o un paese scritti in ognuna di esse, un nome nel sistema di scrittura di ciascuna lingua. Un anno o un prezzo resta un valore unico. L'identità viene letta nella prima lingua, quindi un titolo tradotto non crea mai un secondo libro.

  8. Identificatori mantenuti invariati

    Per ogni entità, uno o più modelli linguistici compilano lo schema a partire dai documenti allegati e dalle proprie conoscenze. Un campo contrassegnato come preservato è l'eccezione: il suo valore proviene dal suo sistema — un id di riga, un riferimento interno — e attraversa l'arricchimento invariato, così ogni libro arricchito torna alla riga da cui proviene. Se non è contrassegnato, il campo spetta al modello, e nulla gli impedisce di scrivere l'ISBN che conosce al posto del suo id.

Un database progettato a partire dal suo schema

Uno schema collegato a un database diventa tabelle. La parte principale della progettazione sta nel modo in cui quelle tabelle si relazionano: quali righe sono condivise da più entità, quali appartengono a una sola. A queste domande risponde un modello linguistico; al resto pensano le regole della proiezione.

  1. Una tabella per ogni tipo di cosa

    Un database conserva i dati in tabelle. Una tabella è una griglia: ogni colonna contiene un campo, ogni riga una cosa. Quando uno schema viene collegato a un database, ogni tipo di entità ottiene una tabella propria — qui football_player — e ogni giocatore arricchito ne diventa una riga.

    Un gruppo di campi privo di un'identità propria, come il debutto di un giocatore, non richiede alcuna tabella: i suoi campi diventano colonne della stessa riga, denominate in base al percorso che conduce a essi — senior_debuts_club_date.

  2. Ciò che distingue due righe

    Ogni tabella ha una chiave: le colonne che distinguono una riga dall'altra. Un giocatore si distingue per nome completo e data di nascita insieme, un paese per il suo codice ISO. Le chiavi vengono scelte al momento del collegamento dello schema, tra i campi che identificano ciascuna entità.

    Quando un giocatore viene arricchito di nuovo, la chiave individua la riga che quel giocatore già possiede: la riga viene aggiornata e non compare alcun duplicato.

  3. Una relazione è un puntatore

    In un foglio di calcolo piatto, un club compare sulla riga di ogni giocatore che vi ha giocato, con l'anno di fondazione copiato ogni volta. Le copie divergono: quando una viene corretta, le altre conservano ancora il valore vecchio.

    In un database il club è memorizzato una sola volta, in una tabella propria, e ogni militanza ne contiene soltanto un puntatore — una chiave esterna, l'_id del club. Sono queste relazioni tra tabelle a mantenere affidabili i dati: ogni fatto risiede in un unico punto e ogni riga che ne ha bisogno punta a esso.

  4. Condivisa o esclusiva: la domanda a cui risponde il modello

    Per ogni relazione dello schema, a un modello linguistico viene posta una sola domanda: un altro giocatore potrebbe puntare a questa stessa riga? Un club, una città, un paese o una competizione esistono indipendentemente da un singolo giocatore, quindi la risposta è sì, e la riga è condivisa da ogni giocatore che punta a essa.

    Ogni risposta è accompagnata dalla sua motivazione, che l'utente legge e può ribaltare prima che il database venga creato. Per questo schema il modello ha valutato diciotto relazioni e ha rilevato che ognuna punta a qualcosa di condiviso.

  5. Righe che appartengono a un solo giocatore

    La militanza di un giocatore in un club contiene fatti veri solo per quel giocatore: gli anni, i gol. Le sue righe sono esclusive: ogni giocatore ha righe proprie, anche nello stesso club, e ognuna punta all'unica riga condivisa del club.

    L'interruttore mostra cosa comporterebbe un verdetto errato. Con «Condivisa», i due periodi si fondono in una sola riga per club e il secondo arricchimento sovrascrive i valori del primo giocatore. Per questo una relazione si considera esclusiva finché non si dimostra che è condivisa: una fusione errata corrompe i dati, mentre una fusione mancata costa soltanto una riga in più.

  6. Tipi di colonna e indici

    Ogni colonna assume un tipo dal proprio campo: un'altezza diventa un numero decimale, un anno un intero, una data di nascita una data. Un tipo preciso permette al database di confrontare, ordinare e verificare i valori.

    Un indice è una copia ordinata di alcune colonne, che permette al database di trovare le righe senza leggere l'intera tabella. I nomi ricevono un indice di ricerca e il modello definisce gli altri indici sulla base delle schermate di elenco che un'applicazione mostrerà — qui, giocatori filtrati per altezza e ordinati per nome.

Uno schema per workflow, un database per molti

Uno schema è un workflow: il proprio campione, le proprie esecuzioni di arricchimento, il proprio webhook quando arriva un risultato. Un database può essere collegato a più schemi. Due workflow che nominano lo stesso tipo di oggetto — qui la città del club di un calciatore e una città arricchita di per sé — scrivono nella stessa tabella: quello che la nomina soltanto ne scrive l'identità, quello che la riguarda compila il resto, e ogni colonna oltre l'identità ha un solo workflow che la scrive.

Il collegamento di uno schema lo confronta con quelli già collegati: un tipo nominato da entrambi deve essere distinto dalla stessa chiave. La guida al database sync illustra in dettaglio i controlli.

Dai dati grezzi al sistema informativo

Un'unica pipeline prende ciò che avete — documenti, fogli di calcolo, righe compilate a metà — e restituisce record di cui il vostro database può fidarsi.

1

Fonte

Importate un batch dal vostro sistema esistente — o una singola nuova entità nel momento in cui appare. Documenti, immagini, ricerca web e la conoscenza del mondo degli LLM colmano ciò che i vostri dati non dicono.

2

Struttura

Descrivi il tuo obiettivo in linguaggio naturale o incolla un esempio: l'AI crea una bozza di schema tipizzato con domini di competenza. Perfezionalo visivamente o tramite chat.

3

Verifica

Più modelli rispondono in parallelo, per dominio di conoscenza. I conflitti vengono rilevati campo per campo e risolti tramite regole o un arbitro AI, con la registrazione del ragionamento.

4

Integra

I record convalidati ritornano con le chiavi originali conservate alla lettera e gli ID semantici come chiavi di join stabili. Nessun duplicato, nessuna ri-chiave — fino a 40 lingue per campo.

Due modi per fornirlo

Batch — dal vostro sistema esistente

Recuperate centinaia di entità dal vostro database, CRM o qualsiasi endpoint REST: incollate JSON o recuperate un URL con autenticazione. Arricchitele in parallelo, monitorate l'avanzamento in tempo reale, riscrivete record puliti — oppure esportate in Excel.

Al volo — man mano che arrivano nuove entità

Un nuovo lead, prodotto o documento entra nel tuo sistema? Arricchiscilo in pochi secondi — una chiamata API, un trigger n8n/Make o direttamente da una chat tramite MCP. Strutturato, validato, pronto per l'inserimento.

Entrambi i percorsi condividono gli stessi ID semantici — un'entità arricchita oggi in un batch e reincontrata domani al volo finisce comunque in un unico record.

Ogni valore ha una tracciabilità completa

La maggior parte degli strumenti di IA vi chiede di fidarvi del risultato. Noi vi permettiamo di ispezionare come è stato deciso.

Prima

Controllo preliminare

Un modello veloce classifica l'entità rispetto al tuo schema per primo. Stai arricchendo "Titano" come pianeta? Vieni avvisato prima che venga speso un solo token.

Durante

Modelli in competizione

Due o più LLM rispondono in modo indipendente. Gli output vengono validati rispetto allo schema; gli errori tornano al modello per l'autocorrezione, automaticamente.

Dopo

Arbitrato, registrato

Conflitti a livello di campo risolti per maggioranza, mediana o da un arbitro IA. Ogni decisione — tutti i valori candidati, il vincitore, la motivazione — viene memorizzata nel record.

Entità

Acme Corp

Qualsiasi entità: azienda, farmaco, caso legale, articolo di ricerca...

Classification preliminare

Corrispondenza — Azienda

Intercetta le incongruenze di tipo prima di sprecare crediti LLM.

Anthropic
OpenAI
Google Gemini

Utilizzate le vostre chiavi API — funziona con qualsiasi provider LLM.

Anthropic
Dati finanziariPrompt LLM
Note legaliPrompt LLM
MercatoPrompt LLM
OpenAI
Dati finanziariPrompt LLM
Note legaliPrompt LLM
MercatoPrompt LLM
Gemini
Dati finanziariPrompt LLM
Note legaliPrompt LLM
MercatoPrompt LLM

Schema suddiviso per dominio — i prompt autocorrettivi riprovano in caso di errore di validazione.

Anthropic risultato
OpenAI risultato
Gemini risultato

Unione profonda delle risposte del dominio di competenza per modello.

Risultato arricchito finale

Acme Corp

Arbitrato

La risoluzione ragionata dei conflitti a livello di campo produce il risultato finale attendibile.

Otto livelli di difesa si frappongono tra l'immaginazione di un LLM e il suo database. Come preveniamo le allucinazioni →

I suoi dati, i suoi model, le sue chiavi

Progettato per i team i cui dati non possono uscire dall'azienda — la comodità del cloud con pieno controllo su dove avviene l'inferenza.

Utilizzate le vostre chiavi API

Utilizzate le chiavi Anthropic, OpenAI o Gemini della vostra organization — la vostra fatturazione, i vostri accordi di trattamento dei dati. Le chiavi della piattaforma sono solo l'opzione predefinita a configurazione zero.

Esegua i modelli sul suo hardware

Associa un laptop o un server GPU on-premise in due minuti e instrada gli arricchimenti attraverso un tunnel sicuro verso il proprio Ollama locale. I dati sensibili non raggiungono mai un LLM cloud.

Come funziona il tunnel →

Isolato per tenant per costruzione

Record, schemi, file e registri di concetti sono circoscritti all'organizzazione. Controllo degli accessi basato sui ruoli fino a ogni chiave API.

Organizzazioni e ruoli →

Perché Entity Enricher

Progettato specificamente per l'arricchimento strutturato con LLM: ecco cosa aggiunge rispetto a una singola chiamata a un modello o a una pipeline costruita a mano.

Si integra con il tuo sistema informativo

Integrato

Aggiungi un database sync a uno schema e gli arricchimenti vengono replicati nel tuo PostgreSQL come vere tabelle relazionali — uno snapshot SQL per inizializzarlo, un feed delta idempotente per mantenerlo allineato e un client di sync open-source che lo applica senza codice di raccordo. Le chiavi di input vengono conservate alla lettera e ogni entità ottiene un ID semantico stabile: una chiave di join già pronta che risolve “Headache”, “Céphalée” e “Cephalalgia” in un unico record, non tre.

JSON grezzo a ogni chiamata. Dovrà progettare archiviazione, chiavi, corrispondenza e riconciliazione prima che i dati possano entrare nei suoi sistemi.

Schema personalizzato

Definisci tu la struttura dell'output. Qualsiasi tipo di entity, qualsiasi campo, qualsiasi profondità di annidamento.

Un prompt scritto a mano restituisce un'unica struttura piatta. Annidamento, tipi e validazione sono tutti da costruire.

Multi-modello

Esegua 2+ LLM simultaneamente. Confronti i risultati. Usi il meglio di ciascuno.

Modello singolo, provider singolo. Nessun modo per effettuare la convalida incrociata o migliorare l'accuratezza.

Fusione e arbitraggio

Rilevamento dei conflitti a livello di campo con risoluzione basata su regole o arbitrata da LLM.

Fiducia cieca in un'unica fonte. Nessuna consapevolezza dei conflitti.

Qualsiasi dominio, qualsiasi entità

Entità legali, composti farmaceutici, articoli di ricerca, immobili — qualsiasi cosa.

Ogni nuovo dominio comporta nuovi prompt, nuova validazione, nuova infrastruttura di collegamento — una pipeline per ogni tipo di entità.

Multilingua per progettazione

Integrato

Contrassegna un campo come multilingue una sola volta. Una singola chiamata di enrichment restituisce il valore tradotto in tutte le lingue selezionate — fino a 40 — senza chiamate LLM aggiuntive né pipeline di traduzione.

Output solo in inglese. La traduzione è un passaggio separato, un costo separato e una modalità di errore separata.

Portate i vostri documenti

Nuovo

Allega PDF, diapositive, fogli di calcolo, contratti, scansioni e registrazioni audio. I modelli in grado di gestire immagini, PDF e audio li leggono direttamente; gli altri vengono estratti lato server e inseriti automaticamente.

Solo input di testo. I documenti restano un problema da gestire: convertire, applicare OCR, trascrivere, suddividere in blocchi e ripulire prima di poter effettuare l'enrichment.

PDFPNGJPEGMP3WAVM4ADOCXDOCODTRTFEPUBHTMLCSVXLSXPPTXTXTMDVedi tutti i formati →

Ottimizzato per i costi per impostazione predefinita

Integrato

Il caching dei prompt riutilizza il prompt condiviso tra le chiamate parallele a circa il 10% del prezzo di input, ogni competenza vede solo i propri campi e un controllo preliminare economico evita di pagare per arricchire l'entità sbagliata.

Prezzi fissi per record senza alcuna ottimizzazione a livello di token — e senza alcuna visibilità su ciò che avete effettivamente speso.

Come funziona l'ottimizzazione dei costi →

Funziona dove lavori tu

Progetta il tuo schema una sola volta, poi arricchisci a qualsiasi scala: dalla web app, da flussi di lavoro automatizzati o direttamente dal tuo codice.

Arricchimento in batch

Arricchisci centinaia di entità in parallelo dall'app web. Streaming in tempo reale, fusione automatica, esportazione in Excel.

Flussi di lavoro n8n e Make

Pipeline automatizzate: attivazione su nuovi dati, arricchimento e invio al vostro CRM o database. Oltre 400 integrazioni con app.

REST API

Accesso programmatico per integrazioni personalizzate. Schema OpenAPI tipizzato, chiavi con ambito all'organizzazione, endpoint sincroni e in streaming.

Collega oltre 400 app tramite n8n

Crea pipeline di arricchimento automatizzate con l'editor di workflow visivo di n8n. Estrai dati da qualsiasi fonte, arricchiscili con l'AI e invia i risultati ovunque.

Google Sheets
Dati di origine
Entity Enricher
Entity Enricher
Arricchimento AI
HubSpot
Sincronizzazione CRM
HubSpot
CRM
Salesforce
CRM
Google Sheets
Foglio di calcolo
Airtable
Database
Slack
Messaggistica
PostgreSQL
Database
Webhook
API
Gmail
Email
Notion
Spazio di lavoro
Stripe
Pagamenti
Jira
Gestione progetti
HTTP Request
API
Sincronizzazione CRM
Inviate i dati arricchiti direttamente a HubSpot, Salesforce o qualsiasi CRM
Enrichment a cascata
Concatena più passaggi di arricchimento con logica condizionale
Flussi di lavoro No-Code
Costruttore visuale di pipeline con drag-and-drop — nessuna programmazione richiesta
Pipeline automatizzate
Attivate l'enrichment su nuove righe, invii di moduli o pianificazioni
Oppure utilizzatelo direttamente da Claude Desktop, Claude Code o Cursor

Entity Enricher include un server MCP (Model Context Protocol) integrato. Elencate i vostri schemi, arricchite un'entità, ispezionate il risultato — tutto dalla chat. Nessun editor di flussi di lavoro richiesto.

Oppure rispecchiate tutto nel vostro database

Il client open source ee-database mantiene il tuo PostgreSQL allineato con ogni enrichment — bootstrap da snapshot, poi un feed delta in tempo reale su una connessione in uscita. Nessun workflow da costruire, e la stringa di connessione non lascia mai la tua macchina.

Come ci confrontiamo

Arriva da un'API di ricerca web, da un agente di ricerca su fogli di calcolo — oppure sta costruendo la sua pipeline LLM? Ecco come si posiziona Entity Enricher.

FunzionalitàEntity EnricherParallel AIAgenti di ricerca AIPipeline LLM fai da te
Schema annidato personalizzatoSchema JSON piattoUn prompt per colonnaScritto a mano
Arricchimento multi-modelloLei orchestra
Fusione e risoluzione dei conflitti
Audit trail a livello di campoCitazioni + livello di confidenza
Deduplicazione delle entità collegate (ID semantici)
Sincronizzazione con il suo PostgreSQLEsportazione CSV / foglio di calcoloLo costruisci tu
I suoi documenti come fontiVariabileLo costruisci tu
Qualsiasi tipo di entità
Output multilingue (40 lingue)Lo costruisci tu
BYOK / modelli self-hostedRaramente
Elaborazione batchLo costruisci tu
ManutenzioneGestitaGestitaGestitaTuoi, per sempre
PrezziPagamento a token5-25 $ / 1k righeCrediti / abbonamentoTempo di progettazione + token

Recuperate il passato. Arricchite il futuro.

La conoscenza della sua azienda è già scritta — la renda interrogabile. Inizi gratuitamente, porti le sue chiavi API e paghi solo i costi LLM.

Inizia gratis