Zespół naukowców zaproponował nową metodę normalizacji wypowiedzi mającą zoptymalizować analizę rozmów w dużej skali dla przedsiębiorstw. Zamiast powtarzać kosztowne przetwarzanie dla każdego pytania analitycznego, system transformuje dialogi w znormalizowane, krótkie wypowiedzi przypisane do mówców, z odniesieniami do źródła i tagami semantycznymi. Takie podejście czyni znaczenie tekstu bardziej jawnym i pozwala wybrać istotną zawartość dla konkretnego zagadnienia.
Metoda opiera się na prostej zasadzie - najpierw wyjaśnić tekst (clarify), potem skoncentrować czytelnika (focus). Przygotowana reprezentacja może być wykorzystana w pełni lub tylko częściowo, w zależności od tego co jest potrzebne dla danego decyzyjnego modelu. W testach na zadaniu supresji ofert z rozmów obsługi klienta normalizacja poprawiła wyniki klasyfikatora nadzorowanego, a słabsze modele promptowane zyskały zarówno na normalizacji jak i selekcji danych.
Znaczenie dla praktyki jest istotne - mały model potrafi nauczyć się kontraktu normalizacji, podczas gdy lekkie encodery obsługują tagowanie i końcowe decyzje. Takie podejście umożliwia budowanie całego pipeline'u analitycznego z małych modeli i pozwala na drastyczne zmniejszenie kosztów operacyjnych przy analizie milionów konwersacji w skalach enterprise.