SiNGL

SiNGL은 고정된 매칭 모델을 얹지 않는다. 자사 레코드 표본으로 학습시키면 후보 쌍마다 점수를 돌려주고, 설정한 임계값에 따라 두 레코드가 같은 실체인지 판단한다. 실무에서 차이가 크다. 미국 은행에서 통하는 이름과 주소 규칙은 인도나 싱가포르 표기 앞에서 쉽게 무너진다.

회사 측 설명에 따르면 고객들은 플랫폼에서 5억 건이 넘는 레코드를 처리한다. 대량 매칭은 레코드 하나씩이 아니라 전체 모집단에 같은 점수 로직을 적용한다. 인수분 정리가 며칠에 끝나느냐, 분기 하나를 통째로 끄느냐의 차이가 여기서 갈린다.

중복을 잇는 것에 그치지 않고 관련 레코드를 가구로 묶는다. 은행이라면 세 계좌가 같은 가족 것임을 알 수 있다. 이 뷰가 상향 판매와 교차 판매, 유지 캠페인의 재료가 되고, 영업 조직이 가장 먼저 요구하는 기능이기도 하다.

스튜어드에게는 점수의 근거가 붙은 후보 큐가 전달되고, 생성형 AI가 왜 그 쌍이 표시됐는지 요약한다. 판단은 사람이 한다. 수작업 검토에 파묻힌 팀에게는 정말 모호한 건만 남기는 것이 가장 큰 시간 절약이다.

레코드는 API로 제공되며 SAP, Oracle, Salesforce, Microsoft Dynamics, Snowflake, Databricks, AWS, Azure, Google Cloud와 연결된다. 기존 애플리케이션은 그대로 돌아간다. 자체 사본 대신 통제된 원천에서 읽을 뿐이다.

자사 데이터센터나 클라우드에서 돌아가고, 도입은 90일 안에 끝난다고 회사 측은 밝힌다. 환자나 계좌 데이터를 제3자에게 넘길 수 없는 조직에는 온프레미스가 필요하다. 짧은 기간은 1년 이상 걸리는 전통적 MDM 프로그램을 정면으로 겨냥한 것이기도 하다.