Párujte osoby a adresy

Skutečné dotazy napsané veřejností

Asi 2 400 adres, které obyvatelé napsali do městské služby pro vyhledávání parcel, proti registru asi 378 000 parcel, přičemž správná parcela byla známa z toho, co následovalo. Na 223 nejtěžších případech, skutečných překlepech, artefaktech z diktování a chybějících příponách, byl předchozí párovač města na první pokus pokaždé vedle.

Záměrně poškozené adresy, celostátně

3 000 skutečných adres ze šesti náhodně vybraných oblastí ZIP, čerpaných z National Address Database a poškozených směsí chyb naměřenou na reálných datech: překlepy, vypuštěné směry a přípony, zkratky, slepené tokeny a přehozené číslice. Pravda je známa přesně a každý vstup končí jako shoda nebo neshoda, aniž by se cokoli odkládalo pro člověka.

Samotné skóre podobnosti je nebezpečné: se zapnutým fuzzy párováním ulic a ničím nad ním se každá čtvrtá adresa vrátila špatně. Většinu práce odvedou alternativní čtení, aliasy a rozlišení budov a rozhodovací vrstva pak sníží chybné odpovědi z 3,6 % na 0,7 % tím, že když si není dost jistá, vrátí žádnou shodu místo chybné. Váhy nákladů vám umožní posunout tento kompromis kterýmkoli směrem.

V naměřených bězích tvoří pásmo nerozhodnutých 2 % až 8 % vstupů, takže úloha se 100 000 adresami vyvolá pár tisíc volání modelu, ne sto tisíc.

Obojí je volitelné a obojí je ve výchozím nastavení vypnuté. Engine nepotřebuje ani jedno a vzdálený model lze použít teprve poté, co v konfiguraci nastavíte allow_remote.

Jev je model System One od TypeSafe. Místo generování textu odpovídá na typovanou otázku, který kandidát, pokud vůbec některý, je totéž místo jako tato adresa, a vrací volbu, kalibrovanou pravděpodobnost a jistotu. Modely System One jsou stavěné pro rozhodnutí tohoto tvaru, ne pro konverzaci.

Přesně tento tvar potřebuje párovač, který počítá s náklady. Kalibrovaný znamená, že když Jev řekne 0.9, má pravdu zhruba v 90% případů, takže motor může jeho odpověď zvážit proti ceně chybné shody, a když si Jev není jistý, řekne, že žádný z kandidátů nesedí, místo aby hádal.

Matcha používá Jev jen na zbytek, případy, které motor nedokáže rozhodnout sám, takže úloha se 100,000 adresami udělá několik tisíc volání Jev, ne sto tisíc. Vložte svůj klíč API TypeSafe do prostředí, přidejte adjudicate provider=jev; do kroku PROC MATCHA a nechte allow_remote vypnuté, dokud nerozhodnete, že tyto případy smějí váš stroj opustit.

export TYPESAFE_API_KEY=...       # never in a file
adjudicate provider=jev;          # inside the PROC MATCHA step

Měřeno na benchmarku poškozených adres zvedá Jev správné shody z 83.3% na 87.8% při vlastní přesnosti motoru 98.1%, s 0.8% chybných odpovědí v ablaci po jednotlivých stupních. Na skutečných dotazech psaných veřejností vyřešil těžké případy stejně často jako lokální model, a když žádný kandidát nebyl správný, řekl to, místo aby některého vybral.

Přečtěte si příspěvek od typesafe.ai: Introducing System One models and Jev

Engine páruje proti tabulce, kterou mu dáte, s pomocí otevřených balíčků znalostí: adresních bodů USA z National Address Database, aliasů ulic z Census TIGER a kanadských adres od Statistics Canada, vše ve veřejné doméně nebo pod otevřenou licencí. Jenner Analytics balíčky znovu sestaví, když jejich zdroje publikují, ověří je proti předchozímu vydání, podepíše je a zveřejní v datovém kanálu.

Na vašem stroji se nic nezmění, dokud aktualizaci nespustíte sami. Každý balíček se před rozbalením jediného bajtu ověří proti podepsanému manifestu a vymění se atomicky, takže běžící úloha vidí starý balíček, nebo nový, a nikdy částečný. PROC MATCHA nikdy nic nestahuje a report zaznamenává, které vydání dat běh použil.

jenner data update --check   # what would change; writes nothing
jenner data update           # install or refresh every pack
jenner data update --pin 2026.9.28

Lokality

USA jsou výchozí a Kanada je podporována, včetně dvojjazyčných forem. Balíčky lokalit pro Spojené království, Francii, Japonsko, Koreu a Austrálii se připravují. Každý z nich jsou data, ne kód, takže přidání země znamená přidání balíčku.