Execute vários modelos de IA em paralelo sobre a mesma entidade, detete conflitos ao nível dos campos entre os respetivos resultados e funda-os num único registo de elevada confiança. Este é o principal diferenciador do Entity Enricher: em vez de confiar num único LLM, valida de forma cruzada entre fornecedores para máxima exatidão dos dados.
Dados da Entity + Schema
Enriquece de forma independente
Enriquece de forma independente
Enriquece de forma independente
Comparação campo a campo em todos os resultados dos modelos
Combinação baseada em regras
Voto maioritário, mediana, união
Arbitragem por LLM
A IA resolve com raciocínio
Um único registo de elevada confiança com trilho de auditoria
Quando seleciona vários modelos para um trabalho de enrichment, o Entity Enricher envia os mesmos dados da entity e o mesmo schema para cada modelo em simultâneo. Cada modelo é executado de forma independente, sem conhecimento dos resultados dos outros modelos, garantindo pontos de dados verdadeiramente independentes.
O sistema suporta qualquer combinação de fornecedores -- Anthropic Claude, OpenAI GPT-4, Google Gemini, Mistral ou modelos auto-hospedados através de Ollama. A limitação de taxa por fornecedor garante que se mantém dentro dos limites da API de cada fornecedor, maximizando ao mesmo tempo o débito.
O streaming SSE em tempo real mostra o progresso à medida que cada model termina, incluindo o progresso por expertise ao usar a estratégia de multi-expertise. Pode ver resultados parciais antes de todos os modelos terminarem.
Depois de todos os modelos concluírem, o motor de deteção de conflitos compara os respetivos resultados campo a campo. A comparação tem em conta o tipo -- diferentes tipos de campo usam regras de comparação diferentes:
| Tipo de campo | Método de comparação | Regra de concordância |
|---|---|---|
| String / Escalar | Correspondência exata (normalizada) | Todos os valores têm de ser iguais após normalização de maiúsculas/espaços |
| Número | Correspondência numérica exata | Todos os valores devem ser números idênticos |
| Booleano | Correspondência exata | Todos os modelos têm de concordar em verdadeiro/falso |
| Multilingue | Comparação por idioma | Cada chave de idioma comparada de forma independente |
| Array | Comparação de conjuntos (ordem ignorada) | Os mesmos itens independentemente da ordem |
| Objeto | Recursivo por propriedade | Todos os campos aninhados têm de corresponder |
| Valores null | null == ausente | Null e ausente são tratados como equivalentes |
Resolução determinística com regras de votação. Rápida, previsível e sem necessidade de uma chamada LLM adicional.
Um modelo de arbitragem analisa cada conflito com o contexto da entidade e as descrições dos campos e, em seguida, toma uma decisão estruturada.
Cada registo fundido inclui metadados de arbitragem com proveniência completa:
Estes metadados são armazenados juntamente com o registo fundido e exportados na folha de conflitos do Excel, tornando-os adequados para fluxos de trabalho de conformidade em que a proveniência das decisões é importante.
Due diligence financeira, perfis de segurança farmacêutica e verificação de conformidade em que os erros têm consequências materiais.
Entities com informação conflituosa entre fontes -- montantes de financiamento, datas de fundação ou estatutos regulatórios que diferentes fontes reportam de forma distinta.
Quando nenhum modelo isolado tem conhecimento completo. Diferentes LLMs são treinados com dados diferentes, pelo que executar vários modelos preenche lacunas.
Quando os consumidores a jusante precisam de pontuações de confiança e proveniência para cada ponto de dados, e não apenas dos valores finais.
Selecione 2+ modelos, execute-os em paralelo e veja como a fusão resolve os conflitos. Sem compromisso mensal -- traga as suas próprias chaves de API e pague por token.
Começar gratuitamente