另一創新重點是實體整合，這是一種將分散的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，對AI發展尤是如此，因為透過數據匹配、將零散的資料清理乾淨，就能降低「Garbage in，garbage out」的窘境。SAS資深資料科學家Charles Cavalier舉例，實體整合可用於資料歸戶，比如在教育資料、駕照、醫療資料等各種政府資料中，從眾多類似人名的資料卡中正確歸納出特定民眾資訊，甚至能因此補足原本單一類別缺失的資料。（如下圖）

在實際應用上，就有機構用來偵測稅務詐欺，透過實體整合來分析稅務紀錄，進而避免大量損失。

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，讓模型學會實體分類。

他也表示，這類實體整合應用適用於企業、服務商或醫療機構。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。

最後一項創新主軸是量子運算。SAS以腎臟捐贈配對為例，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，他們使用圖學，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（如下圖）。

這需要大量複雜的運算，就算是傳統優化過的運算，得要180秒才能得出99.4%的最佳解，但用量子運算加速，30秒就能找出100%的最佳解（如下圖）。

與英特爾、微軟合作生態系新方向瞄準硬體加速和軟體整合

另一方面，SAS也揭露支撐自家產品線的合作生態系，包括聯手英特爾，使用其硬體來加速分析平臺執行時間，甚至也開始使用最新發布的Gaudi 3處理器，來與進行PoC驗證。再來，已成為策略合作伙伴4年的微軟，在今年進一步整合軟體服務，SAS自家的決策建立器Decision Builder可在微軟去年上線的資料分析平臺Microsoft Fabric中使用，尤其使用者可使用SAS原生功能，一站式快速建模、處理資料和管理邏輯。（如下圖）