Esegua più modelli AI in parallelo sulla stessa entità, rilevi i conflitti a livello di campo tra i loro output e fonda i risultati in un unico record ad alta confidenza. È questo l'elemento distintivo principale di Entity Enricher: invece di affidarsi a un singolo LLM, si effettua una convalida incrociata tra provider per la massima accuratezza dei dati.
Dati dell'entità + Schema
Arricchisce in modo indipendente
Arricchisce in modo indipendente
Arricchisce in modo indipendente
Confronto campo per campo tra tutti gli output dei modelli
Unione basata su regole
Voto a maggioranza, mediana, unione
Arbitraggio LLM
L'AI risolve con ragionamento
Un unico record ad alta affidabilità con audit trail
Quando si selezionano più modelli per un processo di arricchimento, Entity Enricher invia gli stessi dati dell'entità e lo stesso schema a ciascun modello contemporaneamente. Ogni modello viene eseguito in modo indipendente, senza conoscere gli output degli altri, garantendo dati realmente indipendenti.
Il sistema supporta qualsiasi combinazione di provider -- Anthropic Claude, OpenAI GPT-4, Google Gemini, Mistral o modelli self-hosted tramite Ollama. La limitazione della frequenza per provider garantisce di rimanere entro i limiti API di ciascun provider massimizzando al contempo il throughput.
Lo streaming SSE in tempo reale mostra l'avanzamento man mano che ogni modello viene completato, incluso l'avanzamento per competenza quando si utilizza la strategia multi-competenza. È possibile visualizzare risultati parziali prima che tutti i modelli abbiano terminato.
Al termine dell'elaborazione di tutti i modelli, il motore di rilevamento dei conflitti confronta i loro output campo per campo. Il confronto tiene conto del tipo — tipi di campo diversi utilizzano regole di confronto diverse:
| Tipo di campo | Metodo di confronto | Regola di accordo |
|---|---|---|
| Stringa / Scalare | Corrispondenza esatta (normalizzata) | Tutti i valori devono essere uguali dopo la normalizzazione di maiuscole/minuscole e spazi |
| Numero | Corrispondenza numerica esatta | Tutti i valori devono essere numeri identici |
| Booleano | Corrispondenza esatta | Tutti i modelli devono concordare su vero/falso |
| Multilingua | Confronto per lingua | Ogni chiave di lingua confrontata in modo indipendente |
| Array | Confronto tra insiemi (ordine ignorato) | Stessi elementi indipendentemente dall'ordine |
| Oggetto | Ricorsivo per proprietà | Tutti i campi nidificati devono corrispondere |
| Valori null | null == mancante | Null e assente sono trattati come equivalenti |
Risoluzione deterministica basata su regole di votazione. Rapida, prevedibile e senza bisogno di ulteriori chiamate LLM.
Un modello di arbitrato esamina ogni conflitto con il contesto dell'entità e le descrizioni dei campi, quindi prende una decisione strutturata.
Ogni record risultante dalla fusion include metadati di arbitration con provenienza completa:
Questi metadati vengono memorizzati insieme al record risultante dalla fusion ed esportati nel foglio dei conflitti di Excel, rendendoli adatti ai flussi di lavoro di conformità in cui è importante la provenienza delle decisioni.
Due diligence finanziaria, profili di sicurezza farmaceutica e screening di conformità in cui gli errori hanno conseguenze concrete.
Entità con informazioni contrastanti tra le fonti: importi di finanziamento, date di fondazione o stati normativi che fonti diverse riportano in modo differente.
Quando nessun singolo modello dispone di una conoscenza completa. LLM diversi sono addestrati su dati diversi, quindi eseguire più modelli colma le lacune.
Quando i consumatori a valle necessitano di punteggi di affidabilità e della provenienza per ogni dato, non solo dei valori finali.
Seleziona 2+ modelli, eseguili in parallelo e osserva come la fusion risolve i conflitti. Nessun impegno mensile -- porta le tue chiavi API e paga per token.
Inizia gratis