Matcha kopplar röriga, felstavade, halvskrivna adresser till de poster de faktiskt syftar på, på din egen maskin, med en kalibrerad sannolikhet och en motivering för varje beslut. Personnamn, företagsnamn, e-post, IP-plats och identifierare körs på samma motor. För de svåra fallen lägger du till Jev (typesafe.ai) eller en lokal Ollama-modell.
Ingår i Jenner. Ingen extern tjänst, ingen API-nyckel, inga data lämnar ditt nätverk om du inte väljer att lägga till en modell: Jev (typesafe.ai) eller en lokal Ollama-modell.
Vem det är för
Sex uppgifter där adressen är nyckeln, och nyckeln aldrig skrivs på samma sätt två gånger.
KYC och kundonboarding
En sökande skriver sin adress en gång, på en telefon, i all hast. Matcha löser den mot din referenstabell medan personen fortfarande är kvar på sidan, och när två poster är lika rimliga pekar den ut det enda fält som skulle avgöra saken, så att formuläret kan fråga "Milton or Morton?" i stället för att underkänna kontrollen eller vinka igenom den.
AML och sanktionsscreening
Screening är matchning med kostnaderna omvända: en missad träff är dyr och ett falsklarm är billigt. Matcha tar de kostnaderna som indata och flyttar sina tröskelvärden därefter, så att samma motor som onboardar en kund också kan screena en. Adresser levereras i dag; screening av person- och företagsnamn mot sanktions- och PEP-listor körs på samma motor, med samma beslut.
Bedrägeridetektering
Matcha rapporterar varje kandidat den övervägt, med evidens per fält och sannolikheten för att sanningen inte finns i tabellen över huvud taget. En bedrägeriregel kan arbeta utifrån vad matcharen faktiskt tittade på i stället för en enda poäng, och IP-platsentiteten kontrollerar en sessions plats mot den adress kunden uppger.
Marknadsföring och CRM-deduplicering
Samma hushåll dyker upp på tio sätt över registreringar, beställningar och importer. Matcha matchar en tabell mot sig själv, skriver ut klustren och behåller en kalibrerad sannolikhet på varje länk, så att en deduplicering kan vara lika strikt eller lika förlåtande som det utskick den matar. Hushållsbildning utifrån adress och efternamn är en sammansatt entitet på samma motor.
Leverans och logistik
En felleverans kostar en returresa; en avvisad beställning kostar affären. Matcha standardiserar varje adress enligt postreglerna för dess område, matchar den mot din tabell över adresser som kan betjänas och talar om när en adress är verklig men utanför ditt område, eller verklig men saknas i din tabell, så att rättelsen hamnar på rätt ställe.
Offentlig sektor och civic tech
En kommunal fastighetssöktjänst lät invånare sms:a en adress och få tillbaka sin fastighet. På de svåraste fallen, de felstavningar och dikteringsfel som dess tidigare matchare fick fel varje gång, svarade Matcha-motorn ensam rätt på 81 % vid första försöket, och en modell på resten tog det till 91 %.
Så fungerar det
Nativ Rust inuti Jenner-binären. Ett steg, en tabell med beslut och en motivering för vart och ett.
1
Tolka och standardisera
Varje adress delas upp i husnummer, riktning, gata, suffix, lägenhet, ort och postnummer och normaliseras enligt postreglerna för dess område (USPS Publication 28 för USA, Canada Post för Kanada). Där texten är tvetydig behåller tolken varje läsning och låter referensen avgöra.
2
Hitta kandidater i din tabell
Motorn bygger ett gatuvokabulär från din egen referenstabell och snäpper den inskrivna gatan till det efter stavning, uttal och officiella alias. Kandidater hittas via husnummer, postnummer och gata, så ett felaktigt ZIP är inte ödesdigert.
3
Poängsätt varje fält, kalibrera resultatet
Husnummer, gata, suffix, riktning, lägenhet och postnummer jämförs var för sig, och evidensen vägs samman till en kalibrerad sannolikhet. Ett saknat suffix kostar ingenting när referensen har en gata med det namnet, och väcker en fråga när den har två.
4
Besluta efter kostnad
Du anger vad en felaktig matchning, en missad matchning och en uppföljningsfråga kostar i din process. Motorn väljer det beslut som har lägst förväntad kostnad, så att den bara matchar när den är tillräckligt säker för dina siffror och när den inte är det returnerar den ingen matchning i stället för en felaktig.
5
Rapportera allt den tittade på
En rad per indata med beslut, sannolikhet och motivering; en rad per kandidat med evidens per fält; en mätvärdestabell som talar om varför indata inte matchade. Inget släpps i tysthet.
6
Skicka bara resten till en modell
Valfritt kan de fall motorn inte kan avgöra skickas till en språkmodell tillsammans med sina kandidater, inom samma steg. Modellen väljer en kandidat eller säger att ingen av dem passar; den skriver aldrig om adressen.
Sex beslut, vart och ett med en sannolikhet
match
En kandidat är rätt post med hög sannolikhet. Använd den.
likely
Den mest sannolika kandidaten, rapporterad med sin verkliga sannolikhet när den ligger under match-tröskeln. Aldrig ett slumpmässigt val.
nonmatch
Ingen rimlig kandidat. Behandla som ej hittad; de övervägda kandidaterna rapporteras ändå.
review
Motorn kunde inte avgöra det och din process kan fråga. Ges bara när du har prissatt en uppföljningskanal.
not_in_table
En verklig adress som din referens inte innehåller. Rätta referensen, inte indata.
out_of_area
Postnumret eller orten ligger utanför referensens område. Skicka den vidare någon annanstans.
Uppföljningslistan: ställ exakt rätt fråga
De flesta matchare lämnar sina svåra fall till en manuell granskningskö som ingen bemannar. När Matcha inte kan välja mellan kandidater vet den varför: indata sa 1200 Milton Street och referensen har både 1200 Milton St och 1200 Morton St, två gatunamn som ser likadana ut och låter lika. Det är en fråga med ett svar på ett ord.
Så när du prissätter en uppföljningskanal kommer de oavgjorda raderna ut som review med de rangordnade kandidaterna, exakt det fält som skulle avgöra saken (ask about street, ask about unit) och de sannolikheter din process behöver för att avgöra om frågan är värd att ställa. En sms-tjänst svarar "Milton or Morton?". Ett onboardingformulär visar de två adresserna. En kundtjänstskärm visar handläggaren kandidaterna i stället för ett tomt fält. Utan en prissatt kanal finns inget review-beslut: de raderna är nonmatch, med samma kandidater och motivering bifogade.
Börja med en utvärderingskörning
Ge Matcha en facitfil, några hundra indata vars korrekta post du kan gå i god för, och en körning poängsätter varje beslut mot den: rätt vid första försöket, precision för de gjorda matchningarna, felaktiga svar, täckning bland de fem främsta kandidaterna, en kalibreringskurva och den förväntade kostnaden för varje felvikt, så att du kan välja din från kurvan i stället för att gissa.
Uppmätta resultat
Två tester, ett på allmänhetens egna inmatningar och ett på avsiktligt förvanskade adresser från sex områden i USA. Siffrorna som publicerade i dokumentationen.
Verkliga sökningar skrivna av allmänheten
Omkring 2 400 adresser som invånare skrev in i en kommunal fastighetssöktjänst, mot ett register på omkring 378 000 fastigheter, där den korrekta fastigheten var känd utifrån vad som hände därefter. På de 223 svåraste fallen, verkliga felstavningar, dikteringsartefakter och saknade suffix, hade kommunens tidigare matchare fel vid första försöket varje gång.
0 % till 81 %
svåra fall korrekt matchade vid första försöket, motorn ensam
91 %
med en lokal modell eller Jev på resten
89 % till 97 %
överensstämmelse på de lätta fallen, från motorn ensam till motor plus modell
Avsiktligt förvanskade adresser, i hela landet
3 000 verkliga adresser från sex slumpmässigt valda ZIP-områden, hämtade från National Address Database och förvanskade med den felblandning som uppmätts från verkliga data: felstavningar, borttappade riktningar och suffix, förkortningar, ihopklistrade ord och sifferfel. Sanningen är exakt känd, och varje indata slutar som en matchning eller en icke-matchning utan att något läggs åt sidan för en människa.
83,3 %
korrekt matchning vid första försöket, motorn ensam
98,1 %
precision för de gjorda matchningarna
1,6 %
felaktiga svar, ungefär ett på sextio
87,8 % till 89,3 %
rätt vid första försöket med Jev eller en lokal modell på resten
En likhetspoäng på egen hand är farlig: med fuzzy gatumatchning påslagen och inget ovanpå kom var fjärde adress tillbaka fel. Alternativen, aliasen och byggnadsupplösningen gör det mesta av arbetet, och beslutslagret skär sedan ner felaktiga svar från 3,6 % till 0,7 % genom att returnera ingen matchning i stället för en felaktig när det inte är tillräckligt säkert. Kostnadsvikterna låter dig flytta den avvägningen åt båda hållen.
Lyft per steg: vad varje lager tillför
Samma 3 000 förvanskade adresser, matchade med ett lager påslaget i taget. Steg 1 till 5 är kumulativa; de två sista är alternativ på den fullständiga motorns rest.
Exakt strängmatchning får 34,6 % rätt och inga fel. Tolkning och standardisering höjer korrekta matchningar till 48,8 % men felaktiga till 20,8 %. Fuzzy gatumatchning höjer rätt till 64,5 % och fel till 25,0 %. Alternativ, alias och lägenheter tar rätt till 89,3 % och fel ner till 3,6 %. Kostnadsmedvetna beslut, den fullständiga motorn, ger 84,1 % rätt och 0,7 % fel. På den motorns rest når en lokal Ollama-modell 90,0 % rätt med 2,1 % fel, och Jev når 88,5 % rätt med 0,8 % fel.
Andel av 3 000 förvanskade adresser som matchats rätt, matchats fel eller missats, per steg. De två sista raderna är alternativ förgrenade från steg 5, inte en sekvens.
Steg
Korrekt matchning
Felaktig matchning
Missad
steg 1: Exakt matchning
34.6%
0.0%
65.4%
steg 2: Tolka och standardisera
48.8%
20.8%
30.4%
steg 3: Fuzzy gata
64.5%
25.0%
10.5%
steg 4: Alternativ och lägenheter
89.3%
3.6%
7.1%
steg 5: Kostnadsmedvetna beslut
84.1%
0.7%
15.2%
+ AI på resten: Lokal AI (Ollama)
90.0%
2.1%
7.8%
+ AI på resten: Jev (TypeSafe)
88.5%
0.8%
10.7%
Källa: 3 000 verkliga amerikanska adresser från sex slumpmässigt valda ZIP-områden, hämtade från National Address Database och förvanskade med den felblandning som uppmätts från verkliga data, så att sanningen är exakt känd. Siffrorna som publicerade i PROC MATCHA-dokumentationen.
Fuzzy matchning på egen hand är farlig. Med fuzzy gatumatchning påslagen och inget ovanpå kommer var fjärde adress tillbaka fel, och inget i en likhetspoäng talar om vilken.
Alternativlagret gör det tunga jobbet. Officiella gatualias, alternativa stavningar samt lägenhets- och byggnadsupplösning tar korrekta matchningar från 64,5 % till 89,3 % och skär ner felaktiga från 25,0 % till 3,6 %.
Beslutslagret skär ner felaktiga svar till under 1 %. Genom att prissätta en felaktig matchning mot en missad returnerar motorn ingen matchning i stället för en felaktig när den inte är tillräckligt säker: 0,7 % fel, med de oavgjorda fallen rapporterade, inte släppta.
AI på resten lyfter korrekta matchningar till omkring 90 %. En lokal modell hittar flest matchningar och ungefär tredubblar de felaktiga svaren; Jev lägger till matchningar med motorns egen precision, 0,8 % fel.
Kör den på dina egna adresser
Matcha ingår i varje Jenner-licens. Köp Jenner, läs PROC MATCHA-dokumentationen, eller berätta om ditt matchningsproblem så hjälper vi dig att sätta upp en utvärderingskörning.
Språkmodeller är dyra per rad och långsamma per rad. Matcha använder dem som en bra analytiker skulle göra: bara på de fall som kräver omdöme.
Ollama med qwen2.5:7b-instruct, helt offline
Kör en lokal modell via Ollama på din egen hårdvara, helt offline, så att inget lämnar maskinen. Vi mäter med qwen2.5:7b-instruct. Lokala modeller är gratis per rad och svarar på nästan varje fråga de får se, vilket hittar flest träffar och ungefär fördubblar de felaktiga svaren.
Jev, en System One-modell från TypeSafe (typesafe.ai)
I stället för att generera text besvarar Jev en typad fråga, vilken kandidat, om någon, är samma plats som den här adressen, och returnerar ett val med en kalibrerad sannolikhet. När den säger 0,9 har den rätt omkring 90 % av gångerna, och när den är osäker säger den att ingen av kandidaterna passar, i stället för att gissa. Det är exakt den form en kostnadsmedveten matchare behöver, och det är därför Jev lägger till matchningar med motorns egen precision.
I uppmätta körningar utgör det oavgjorda bandet 2 % till 8 % av indata, så ett jobb med 100 000 adresser ger några tusen modellanrop, inte hundra tusen.
Båda är valfria och båda är avstängda som standard. Motorn behöver ingen av dem, och en fjärrmodell kan bara användas när du har satt allow_remote i konfigurationen.
Jev från typesafe.ai: System One-modeller för de svåra fallen
Jev utvecklas av TypeSafe (typesafe.ai). Matcha anropar det bara på den rest som motorn inte kan avgöra själv.
Jev är TypeSafes System One-modell. I stället för att generera text besvarar den en typad fråga, vilken kandidat, om någon, som är samma plats som den här adressen, och returnerar ett val, en kalibrerad sannolikhet och en konfidens. System One-modeller är byggda för beslut av den formen, inte för konversation.
Den formen är precis vad en kostnadsmedveten matchare behöver. Kalibrerad betyder att när Jev säger 0.9 har den rätt ungefär 90% av gångerna, så att motorn kan väga svaret mot priset för en felaktig träff, och när Jev är osäker säger den att ingen av kandidaterna passar i stället för att gissa.
Matcha använder Jev bara på resten, de fall motorn inte kan avgöra på egen hand, så ett jobb med 100,000 adresser gör några tusen Jev-anrop, inte hundra tusen. Lägg din TypeSafe-API-nyckel i miljön, lägg till adjudicate provider=jev; i PROC MATCHA-steget och låt allow_remote vara av tills du har bestämt att de fallen får lämna din maskin.
Slå på Jev
export TYPESAFE_API_KEY=... # never in a file
adjudicate provider=jev; # inside the PROC MATCHA step
Mätt på benchmarken med förvanskade adresser lyfter Jev de korrekta träffarna från 83.3% till 87.8% vid motorns egen precision på 98.1%, med 0.8% felaktiga svar i den stegvisa ablationen. På de verkliga uppslagningarna som allmänheten skrivit in löste den de svåra fallen lika ofta som den lokala modellen, och när ingen kandidat var rätt sa den det i stället för att välja en.
Öppna referensdata, uppdaterade bara när du säger till
Motorn matchar mot den tabell du ger den, med hjälp av öppna kunskapspaket: amerikanska adresspunkter från National Address Database, gatualias från Census TIGER och kanadensiska adresser från Statistics Canada, allt public domain eller öppet licensierat. Jenner Analytics bygger om paketen när deras källor publicerar, validerar dem mot föregående utgåva, signerar dem och publicerar dem till en datakanal.
Inget på din maskin ändras förrän du själv kör uppdateringen. Varje paket verifieras mot ett signerat manifest innan en enda byte packas upp, och byts in atomiskt, så att ett pågående jobb ser det gamla paketet eller det nya och aldrig ett ofullständigt. PROC MATCHA laddar aldrig ner något, och rapporten anger vilken datautgåva en körning använde.
Kontrollera, uppdatera sedan, enligt ditt eget schema
jenner data update --check # what would change; writes nothing
jenner data update # install or refresh every pack
jenner data update --pin 2026.9.28
Områden
USA är standard och Kanada stöds, inklusive tvåspråkiga former. Områdespaket för Storbritannien, Frankrike, Japan, Korea och Australien är under arbete. Vart och ett är data, inte kod, så att lägga till ett land är att lägga till ett paket.
En matchningsmotor för KYC, AML, bedrägeri, kreditrisk, leverans och regelefterlevnad
Adresser levereras i dag. Varje annan matchning i KYC-familjen körs på samma motor: samma kalibrerade sannolikheter, samma kostnadsviktade beslut, samma utdata och samma utvärderingskörning.
En ny sorts matchning är en entitetsdefinition, inte en ny produkt: de roller en post har, komparatorn för varje roll, blockningsstrategin och de kunskapspaket den får konsultera. Poängsättningen, besluten, uppföljningslistan och utvärderingen är delad kod, så en personnamnsmatchning utvärderas och prissätts exakt som en adressmatchning.
Funktioner på samma motor
IP-adress mot postadress: geolokaliseringsavstånd och VPN-signaler
Matcha jämför var en sessions IP-adress geolokaliseras med den adress kunden uppger, med geodetiskt avstånd och geolokaliseringsradien som osäkerhet. ASN-, proxy- och VPN-flaggor räknas som evidens emot, aldrig som en dom på egen hand. Resultatet är samma kalibrerade sannolikhet och kostnadsviktade beslut som en adressmatchning, så att en bedrägeriregel kan agera på det eller skicka det till review.
Exempel: En kortsökande uppger en Denver-adress från en IP som geolokaliseras 40 km bort utan VPN-flagga: överensstämmelse inom radien. Samma adress från en datacenter-IP i ett annat land: konflikt, och raden prissätts för review.
E-post mot person och företag: lokal del, domän och engångssignaler
E-postidentitetsentiteten testar om en adress tillhör den person och den organisation som uppgavs vid onboardingen. Den lokala delen jämförs med namntokens, inklusive förnamn.efternamn, initialer och smeknamn; domänen jämförs med organisationens registrerade domäner; listor över gratis-e-post och engångsdomäner samt MX-förekomst är evidens. Varje signal är en komparator, och motorn anger hur starkt de stämmer överens.
Exempel:[email protected] mot Jane Okafor på Northwind Actuarial: den lokala delen stämmer med namnet och domänen stämmer med företaget. [email protected] mot samma post: engångsdomän, och sannolikheten säger det.
Matchning av företagsnamn: juridiska former, akronymer och registeridentifierare
Företagsentiteten skalar bort juridiska former enligt ISO 20275, viktar sällsynta ord, expanderar akronymer och låter en registeridentifierare gå före namnet: LEI, EIN, UEI och Companies House-nummer. GLEIF Level 1-data och tidigare namn från EDGAR är kunskapspaket, så ett företag som bytt namn matchar ändå motparten i dina böcker. Leverantörsvalidering, motpartsmatchning och KYB använder samma körning.
Exempel: "INTL BUSINESS MACHINES CORP" mot "International Business Machines Corporation" med matchande LEI: match, registeridentifieraren går före. "IBM Credit LLC" mot moderbolaget: nonmatch, med evidens för juridisk form och sällsynta ord rapporterad.
Matchning av personnamn: smeknamn, translitterering, fonetik och födelsedatum
Personentiteten jämför för-, mellan- och efternamn med smeknamnspaket, translitterering från kyrilliska, arabiska och CJK, fonetisk jämförelse och varianter i namnordning, och behandlar ett omkastat födelsedatum eller ett nationellt ID med giltig kontrollsiffra som den evidens det är. En sanktions- eller PEP-lista är en vanlig referenstabell där kostnaden för en missad matchning är satt högt, så screening och kunddeduplicering är samma motor med olika priser.
Exempel: "Mohammed Al-Rashid, 03/07/1981" mot "Muhammad Alrashid, 07/03/1981": translittereringen stämmer, datumet är en omkastning av dag och månad, och raden kommer tillbaka som en screeningträff med sin sannolikhet i stället för en missad.
Telefonnummer och identifierare: IBAN, VIN, NPI och nationella ID:n
Telefonnummer normaliseras till E.164 och kontrolleras för lands- och riktnummerkonsekvens samt operatörstyp. Identifierare valideras innan de matchas: IBAN-, VIN- och NPI-kontrollsiffror, format- och utfärdarkonsekvens, format för nationella ID:n. En giltig identifierare är stark evidens; en ogiltig är ett fynd i sig, rapporterat innan en enda kandidat poängsätts.
Exempel: En sökandes IBAN klarar inte sin mod-97-kontroll: raden flaggas före matchningen, med motiveringen, i stället för att poängsättas mot varje konto i referenstabellen.
Koordinater, hushåll, transaktionsmotparter och produktnamn
Entiteter kan sättas samman. En enhetskoordinat reverse-geokodas till närmaste adresspunkt; ett hushåll är en adressmatchning plus överensstämmande efternamn; en transaktionsmotpart är ett företag eller en person plus ett konto och ett land; ett produkt- eller läkemedelsnamn matchas genom tokeninnehåll med kodöverstyrning. Poängsättningskoden känner inte till skillnaden, och det är därför var och en landar på samma motor med samma utvärderingskörning.
Exempel: En leveransapps GPS-position hamnar 30 m från adressen på beställningen: överensstämmelse, med avståndet rapporterat. Två kundposter på en adress med överensstämmande efternamn: ett hushåll, med en kalibrerad sannolikhet på länken.
Verifiera adressen, e-posten, telefonnumret och de identifierare en sökande ger dig i ett steg, med en sannolikhet per kontroll och en uppföljningsfråga när något är tvetydigt. Matcha löser adressen medan den sökande fortfarande är kvar på sidan och frågar "Milton or Morton?" i stället för att underkänna kontrollen eller vinka igenom den.
Jämför sessionens IP-plats med den uppgivna adressen, enhetskoordinaten med leveransadressen och e-posten med personen, och få evidens en regel kan agera på i stället för en poäng från en svart låda. Varje kandidat matcharen övervägt rapporteras, med sannolikheten för att sanningen inte finns i din tabell över huvud taget.
Screena person- och företagsnamn mot sanktions- och PEP-listor med translitterering, smeknamn, fonetik och omkastade födelsedatum, prissatt för screening: en missad träff dyr, ett falsklarm billigt. Listan är en referenstabell, utvärderingskörningen poängsätter din träffrekvens mot kända fall, och kalibreringskurvan talar om vad 0,9 betyder på dina data.
Lös upp företagen i en ansökan, en affär eller en huvudbok till en juridisk enhet över juridiska former, tidigare namn och registeridentifierare, så att exponeringen räknas en gång. LEI, EIN, UEI och Companies House-nummer går före namn när de finns och styrker dem när de inte gör det.
Standardisera varje adress enligt postreglerna för dess område, matcha den mot din tabell över adresser som kan betjänas, och få veta när en adress är verklig men utanför ditt område eller verklig men saknas i din tabell. En enhetskoordinat vid dörren bekräftar leveranspunkten, och kostnadsvikterna avgör när en felaktig adress är värre än en avvisad beställning.
Varje beslut bär en sannolikhet, en motivering och de övervägda kandidaterna, i tabeller du behåller. Inget lämnar din maskin om du inte väljer att lägga till en modell, rapporten anger vilken datautgåva en körning använde, och samma utvärderingskörning återskapar ett resultat för en revisor månader senare.
PROC MATCHA är en del av Jenner, inte en separat produkt och inte en avgift per rad. På Windows och Linux köps en Jenner-licens en gång per maskin och gäller för alltid: den version du köper fortsätter att fungera så länge du vill använda den, med nya utgåvor och support inkluderade i ett år. Jenner för macOS finns på Mac App Store, och Workspace debiteras per timme.
Jenner Analytics tar inte betalt för en matchad rad, en övervägd kandidat eller en ställd fråga. Om du väljer Jev prissätter TypeSafe den per indatatoken, och den ser bara resten.
Jenner kör befintlig PROC DQMATCH- och PROC DQSCHEME-kod för kompatibilitet, så ett SAS-datakvalitetsprogram fortsätter att fungera. Matcha är den rekommenderade matcharen för nytt arbete: den använder samma satssyntax i SAS-stil, men returnerar en kalibrerad sannolikhet och en motivering för varje beslut, kan ställa en uppföljningsfråga och läser och skriver CSV, Parquet, Avro och de flesta databaser genom samma data=-syntax, så att du inte är låst till något av verktygen.
Nej. Motorn är nativ Rust inuti Jenner-binären och gör inga nätverksanrop; referensdata är den tabell du ger den plus kunskapspaket installerade på din maskin. Språkmodeller är avstängda som standard. En lokal modell genom Ollama håller allt på din hårdvara. En fjärrmodell som Jev används bara om du aktiverar den i konfigurationen, och då ser den bara de oavgjorda fallen med sina kandidater, aldrig hela filen.
USA är standardområdet, med standardisering enligt USPS Publication 28 och öppna adressdata från National Address Database och Census TIGER. Kanada stöds, inklusive tvåspråkiga franska former och kanadensiska postnummer, med data från Statistics Canada. Områdespaket för Storbritannien, Frankrike, Japan, Korea och Australien är under arbete. Du kan matcha mot din egen referenstabell i vilket land som helst redan i dag; paketen lägger till standardiseringsregler och öppna adresspunkter.
Ja. Motorn behöver ingen tjänst, ingen nyckel och inget nätverk. Referenspaket installeras en gång med jenner data update och uppdateras bara när du kör det kommandot igen. Med en lokal Ollama-modell är det valfria avgörandesteget också offline; bara Jev är ett fjärranrop, och bara om du slår på den.
När motorn inte kan välja mellan kandidater och du har prissatt en uppföljningskanal kommer de raderna ut som review med de rangordnade kandidaterna, exakt det fält som skulle avgöra frågan (suffix, riktning, lägenhet) och sannolikheterna. Din process gör om det till en fråga till den som kan svara: ett sms-svar, en uppmaning i ett onboardingformulär, en kundtjänstskärm. Ingen på matchningssidan läser de raderna, och utan en prissatt kanal rapporteras de som nonmatch med samma kandidater bifogade.
Ge en körning en facitfil med indata vars korrekta post du känner till, och Matcha poängsätter varje beslut mot den: rätt vid första försöket, precision, felaktiga svar, täckning bland de fem främsta kandidaterna, korrekta avståenden på indata utanför området, en kalibreringskurva och den förväntade kostnaden vid en rad felvikter. De publicerade resultaten på den här sidan kommer från samma körningsläge, på offentliga sökningar med kända utfall och på förvanskade adresser med exakt facit.
Ja, på samma motor. Adresser levereras i dag. Personnamn, företagsnamn, e-postidentitet, IP-plats, telefonnummer, identifierare med kontrollsiffror och sanktions- eller PEP-listor är entiteter som samma motor matchar, med samma kalibrerade sannolikheter, kostnadsviktade beslut, utdata och utvärderingskörning. En screeninglista är en vanlig referenstabell där kostnaden för en missad matchning är satt högt. Använd formuläret på den här sidan för att begära tillgänglighet för den entitet du behöver.
Matcha ingår i Jenner, så du köper Jenner: en permanent licens per maskin för Windows och Linux, Jenner för macOS på Mac App Store, eller Workspace-krediter per timme. Det finns ingen avgift per rad eller per matchning. Prissidan har de aktuella planerna och den kostnadsfria provperioden.
Ja. En sanktions- eller PEP-lista är en person- eller företagsreferenstabell, och screening är matchning med kostnaderna omvända: en missad träff prissatt högt, ett falsklarm prissatt lågt. Personentiteten hanterar smeknamn, translitterering från kyrilliska, arabiska och CJK, fonetisk jämförelse, varianter i namnordning och omkastade födelsedatum, och utvärderingskörningen poängsätter din träffrekvens mot kända fall. Begär tillgänglighet via formuläret på den här sidan.
Ja. IP-platsentiteten geolokaliserar sessionens IP-adress och jämför den med koordinaterna för den uppgivna adressen genom geodetiskt avstånd, med geolokaliseringsradien som osäkerhet, och behandlar ASN-, proxy- och VPN-flaggor som evidens emot. Resultatet är samma kalibrerade sannolikhet och beslut som en adressmatchning, så att en bedrägeriregel eller en review-kö kan använda det direkt.
Ja. Företagsentiteten skalar bort juridiska former enligt ISO 20275, viktar sällsynta ord, expanderar akronymer och låter en registeridentifierare gå före namnet: LEI, EIN, UEI och Companies House-nummer. GLEIF-data och tidigare namn från EDGAR är kunskapspaket, så ett företag som bytt namn löses ändå upp till motparten i dina böcker. Det är leverantörsvalidering, motpartsmatchning och KYB i en körning.
Jev är en System One-modell från TypeSafe (typesafe.ai). I stället för att generera text besvarar den en typad fråga, vilken kandidat, om någon, som är samma plats som den här adressen, med ett val, en kalibrerad sannolikhet och en konfidens. Matcha använder den för att det är formen på ett matchningsbeslut: när Jev säger 0.9 har den rätt ungefär 90% av gångerna, och när den är osäker säger den att ingen av kandidaterna passar. Den anropas bara på den rest som motorn inte kan avgöra, några tusen anrop per 100,000 rader, och på benchmarken med förvanskade adresser lyfter den de korrekta träffarna från 83.3% till 87.8% vid motorns egen precision på 98.1%. Den är av som standard och kräver en TypeSafe-API-nyckel i miljön samt adjudicate provider=jev; i steget.
Ja. Peka Matcha mot en lokal modell som Ollama serverar på din egen hårdvara, helt offline, så körs samma bedömningssteg utan att något lämnar maskinen. Vi mäter med qwen2.5:7b-instruct. En lokal modell svarar på nästan varje fall den får se, vilket hittar flest träffar, 89.3% korrekta på benchmarken med förvanskade adresser, och ungefär fördubblar de felaktiga svaren jämfört med Jev. Du kan också köra båda sida vid sida och få en agree-flagga per rad. Ingen av dem krävs: motorn ensam behöver varken modell, nyckel eller nätverk.
Prova på dina egna adresser
Kör en utvärdering mot några hundra poster du kan gå i god för, och få en ärlig siffra på hur bra den är på dina data.
Adresser levereras i dag. Be om en utvärderingskörning på dina egna data, eller begär tillgänglighet för en funktion på samma motor, så svarar vi med datum och vad som krävs för att sätta upp det.
Se Matcha själv
Köp Jenner och kör PROC MATCHA på dina egna adresser, läs dokumentationen, eller se den tre minuter långa introduktionen till Jenner.
