Lab · Module 16 Investigation Lab

Entity Resolution Across Centralized Databases

หลอมรวมระเบียนที่กระจัดกระจายจากหลายระบบให้เป็นบุคคลเดียว — พร้อมกรองตัวลวงชื่อซ้ำ

🎯 ภารกิจของผู้เรียน

ดาวน์โหลดชุดระเบียนข้ามระบบ คัดลอก Prompt ไปวางใน AI พร้อมแนบไฟล์ แล้วตรวจสอบว่า AI จัดกลุ่มระเบียนที่เป็นบุคคลเดียวกันโดยถ่วงน้ำหนัก identifier ที่แข็งแรง และคัดแยกระเบียนชื่อซ้ำที่เป็นคนละคนได้หรือไม่

⚖️ กรอบการใช้งานอย่างรับผิดชอบ

ผลลัพธ์คือ การเชื่อมโยงระเบียนที่เสนอเพื่อให้นักวิเคราะห์ตรวจสอบ (proposed linkage) — เป็นเครื่องมือช่วยสืบสวน ไม่ใช่การยืนยันตัวตนเด็ดขาด การรวมระเบียนอัตโนมัติโดยอาศัย identifier ที่อ่อน (ชื่อ/ที่อยู่) เสี่ยงต่อการระบุตัวผิดบุคคล จึงต้องผ่านการตรวจยืนยันก่อนเสมอ

✅ ตัวอย่าง: หลอมรวมตัวตนผู้ต้องสงสัยจากระเบียนที่กระจัดกระจายในระบบ Silo 📥 Download Mock Data
📋 สถานการณ์ (Scenario)

ศูนย์หลอมรวมข้อมูลดึงระเบียนของบุคคลที่สนใจจาก 4 ระบบที่แยกกัน (ทะเบียนรถ, ผู้ให้บริการมือถือ, ธนาคาร, ประวัติการจับกุม) ชื่อและที่อยู่ถูกบันทึกในรูปแบบไม่สม่ำเสมอ และมีระเบียนหนึ่งที่เป็นกับดักชื่อซ้ำของคนละคน ภารกิจคือ Entity Resolution: จัดกลุ่มระเบียนที่อ้างถึงบุคคลเดียวกันด้วย identifier ที่แข็งแรง ขณะเดียวกันก็ปฏิเสธตัวลวง

📊 ตัวอย่างข้อมูลดิบ (Mock Raw Data) — snake_case schema

record_id,source_system,full_name,national_id,dob,phone,address rec_01,dmv,Somchai Promma,1100xxxx1234,1990-05-12,0812345678,12 sukhumvit rec_02,telecom,S. Promma,1100xxxx1234,1990-05-12,0812345678,12 sukhumvit soi 4 rec_03,bank,Somchai P.,,1990-05-12,0899990000,12 sukhumvit rec_04,arrest,Somchai Promma,1100xxxx1234,1990-05-12,0812345678,88 rama9 rec_05,dmv,Somchai Promma,1100xxxx9999,1985-02-03,0890001111,50 ladprao

📝 Prompt สำหรับผู้เรียน (คัดลอกไปใช้กับ AI)

You are an entity-resolution analyst working across multiple record systems. Using the attached records:
1. Cluster the records that refer to the same individual, weighting strong identifiers (national_id, date of birth) above weak ones (name spelling, address formatting).
2. Identify any record that shares a name but is actually a different person, and state the disqualifying identifier.
3. Assign a confidence level (high/medium/low) to each linkage and explain the basis.
4. Note which records could be merged automatically versus which require manual review before linking.
Present an entity-resolution summary. Frame the output as a proposed linkage for analyst verification — an investigative aid, not a confirmed identity determination — and flag that automated merges on weak identifiers risk misattributing records to the wrong person.