實體整合（Entity resolution）是指將來自不同系統的資料，整合、歸戶到同一實體上，比如將州政府各個系統的人物資料，彙整為完整的單一檔案。（／SAS）

另一創新重點是實體整合，這是一種將來自不同系統的分散資訊，歸戶到同一個實體（Entity）的作法，又可稱為數據匹配。Gavin Day指出，實體整合很重要，不只能獲得一個完整的實體數據，對AI開發來說，更能達到資料清理的效用。因為透過數據匹配、將零散的資料歸戶清理乾淨，就能降低「Garbage in，garbage out」的窘境。

SAS資深資料科學家Charles Cavalier現場舉例，實體整合可用於資料歸戶，比如美國各個州政府系統中，有著各式各樣的民眾資料，如教育資料、駕照、醫療資料、稅收資料等，同一位民眾在不同系統的資料，可能以不同姓名寫法呈現（如縮寫），或可能缺失某些重要資訊（如電話中間碼、車牌號碼等）。但透過深度學習等方法，從不同系統中、眾多類似人名的資料裡，正確歸納出特定個人的完整資訊，這就是實體整合。實體整合使用到的技術，則包括機器學習、深度學習和圖類神經網路等，Charles Cavalier強調，原本在單一類別或系統中缺失的資料（如電話、教育程度等），甚至能因實體整合而補足。

在實際應用上，就有國家政府機關，使用SAS Viya平臺和實體整合功能，來進行網路分析，進一步揪出稅務詐欺模式，他們也因此補足了60億筆稅務紀錄，也因抓出逃漏稅、獲得了額外的6.35億美元稅收。

至於實體整合的下一步，Charles Cavalier透露，SAS AI建模團隊打算建置Transformer小型語言模型，作為基礎模型，接著對模型做實體整合任務微調，來讓模型學會實體分類，進一步提高實體整合的能力。他也表示，團隊目前正研究生成式資料處理技術和深度嵌入，搭配這些技術，就能用來在不同資料集中找出同一個實體的描述紀錄，就像是資料歸戶，另也能用於搜尋任務。之後，SAS計畫將這些能力整合到既有產品中。

創新亮點3：量子運算

最後一項創新主軸是量子運算。早在年會開幕式上，Bryan Harris就揭露量子運算將是接下來SAS創新實驗室的重點發展，而且，「我們實驗發現，透過結合量子運算和傳統運算的混合運算架構，能大幅改善運算結果。」他也表示，量子運算在未來1、2年的發展，就會像是生成式AI之於AI一樣，帶來翻天覆地的變化。

而SAS應用AI暨建模部門總監Jinxin Yi現場以腎臟捐贈配對為例，來說明量子運算加速後的運算結果。

他表示，就腎臟移植配對來說，通常三分之一的捐贈者和受贈者無法第一次就配對成功。為解決這個問題，常見的做法是使用圖學，用點來代表捐贈者，以邊（點與點之間的直線距離）代表捐贈者與受贈者的匹配程度，並從這些點與邊形成的網路中，找出最合適的腎臟移植配對候選組，這個候選組可由好幾個點（即捐贈者與受贈者）組成。SAS團隊就採這種方法來計算。

但這種方法，這需要大量且複雜的運算，就算是用SAS本身優化過的運算方法，也得要180秒才能得出99.4%的最佳解。但使用SAS打造的量子解算器，30秒就能找出100%的最佳解。

SAS創新實驗室力推量子運算，以腎臟移植為例，為找出最合適的移植配對組，用量子解算器加速後，取得最佳解的時間可縮短為30秒。（／SAS）

 更多相關報導請見