对话指纹的背后是人工智能和自然语言处理技术, 一个可以优化信息分配的新概念
组织内部——尤其是大型和跨国实体——面临的最大挑战之一是如何传播信息. Yet, 能够将正确的信息分发给正确的人是建立竞争力的核心，甚至可以证明是游戏规则的改变者.
So, 我们从一个小团队开始调查是否可以使用人工智能(AI)和自然语言处理(NLP)技术来帮助确定和可视化信息的出现和传播. Essentially, 我们想知道，在一个组织内，我们是否能识别出员工在讨论相同的话题，但彼此之间没有重叠——这是一个明确的指标，表明竖井可能阻碍工作场所的信息共享.
尊重隐私法和维护公司机密是最重要的. 但这也意味着我们需要设计一种方法，使我们能够在不了解对话内容的情况下识别对话主题.
这就是我们创造对话指纹这个概念的方法.
Ways to bridge the silos
今天有许多可用的通信方式, 但我们相信这种对话指纹识别的新方法是对现有工具的补充.
像社区这样的工具——比如专家网络——以及鼓励跨职能网络发展的内部活动. 也有内部社交网络和讨论组，可以简化信息交换.
这些工具之所以有效，是因为它们在成员之间产生了亲密和信任，并且使得使用比单个项目团队可能提供的更广泛的技能来处理跨功能主题成为可能. 但它们受到自身构成方式的限制, 包括哪些成员, 以及讨论的主题——所有这些主题可能仍然被划分在同一个筒仓或地理区域内.
用图形表示这些协作工具也不容易. 信息流可视化的这一方面——知道信息是从哪里产生的, 它如何传播/不传播，谁消费它——是关键.
Indeed, 可视化是基于图的理论的核心，如社会网络分析(SNA)和组织网络分析(ONA)。. 这些理论可以用来模拟和分析组织内部的相互作用, 每个员工表示图中的一个节点，节点之间的边表示交互. 它们存在于网页排名和购买推荐等消费者和商业应用程序背后，可用于检测通信障碍或调整团队以优化效率.
这些理论的好处是，它们可以显示谁与谁有联系，以及联系的频率, 甚至估计交换的信息量. 通过在组织图上建模通信图, 有可能通过改变组织结构来匹配通信流的结构来确定提高生产力的方法.
Still, 这些基于图的理论仍然受到限制，因为它们只考虑与通信流量和节点相关的统计数据. 这并不能解释对话的语义内容, 假设交换的信息自然地与每个小组的任务和使命联系在一起.
谈话指纹
通过在我们的研究中引入AI和NLP技术, 我们了解到，我们可以改变这一点，发现新的视角.
那么，这个对话指纹的概念是什么? Essentially, 它是两个雇员之间交换信息的唯一标识符, 每条信息都以指纹的形式编码. 在应用这个概念时，我们的目的是评估指纹之间的相似性.
通过将这些流程与对话图相关联, 这样就有可能可视化信息传播的分支, 以什么样的速度和强度.
Better still, 可以看到类似的对话出现在图表中没有相互连接的部分.
后者是社区管理和推广的一个重要方面. 它使从事类似主题的不同实体能够聚集在一起, 从而鼓励跨学科互动，优化人才和精力.
Where to from here
这项研究很有前途. 它不仅验证了解决方案体系结构的相关性和性能, 但它也开辟了新的使用领域——比如智能搜索——使人们有可能找到隐藏在对话流中的特定信息.
与大型语言模型(llm)相比，这种更节俭的人工智能方法对环境有好处。. 虽然生成式人工智能最近成为头条新闻, 这项技术被证明是一个巨大的能源用户.
人工智能和自然语言处理技术的结合提供了一种更便宜、更可控的替代方案, 同时尊重公司和员工资料的保密性. 这使得对话指纹识别作为一种打造高绩效社区、提高竞争力的工具更加引人注目.
