本文首發(fā)于《招標采購管理》2024年第6期。
文丨曹森 中國石化集團招標有限公司總工程師
一、引言
為規(guī)范和統(tǒng)一評標專家專業(yè)分類標準，切實提高評標活動的公正性，國家發(fā)展改革委等十部委2010年7月15日發(fā)布《關(guān)于印發(fā)評標專家專業(yè)分類標準（試行）的通知》（發(fā)改法規(guī)〔2010〕1538號，已廢止），明確要求評標專家?guī)鞈?yīng)依據(jù)《評標專家專業(yè)分類標準(試行)》設(shè)置評標專家分類。
為整合專家資源，推動實現(xiàn)專家資源及專家信用信息全國范圍內(nèi)互聯(lián)共享，2018年2月12日，國家發(fā)展改革委等十部委發(fā)布《關(guān)于印發(fā)〈公共資源交易評標專家專業(yè)分類標準〉的通知》（發(fā)改法規(guī)〔2018〕316號），要求評標專家專業(yè)分類實行全國統(tǒng)一編碼，投入運行的各級各類評標專家?guī)鞈?yīng)依據(jù)《公共資源交易評標專家專業(yè)分類標準》(以下簡稱《標準》)及時調(diào)整評標專家分類。同時，明確在保證專家專業(yè)分類體系和專業(yè)代碼統(tǒng)一的前提下，各地各部門可根據(jù)實際需要，選擇使用《標準》中的相關(guān)專業(yè)，也可以對《標準》的專業(yè)作進一步補充和細化。在細化分類方面，規(guī)定《標準》專業(yè)類別劃分過粗、不能滿足評標專家抽取需要的，建庫單位可按照其專業(yè)特點和需求，進一步設(shè)置四級及其以下專業(yè)類別和編碼，并報國家發(fā)展改革委備案。
本文主要立足于招標投標事業(yè)發(fā)展現(xiàn)狀，在充分調(diào)研行業(yè)專業(yè)人才分類和招標項目特點，以及部分省市評標專家?guī)旖ㄔO(shè)管理制度和措施的基礎(chǔ)上，分析和探索人工智能技術(shù)在評標專家專業(yè)選擇和項目抽取專業(yè)選擇中的主要應(yīng)用。
二、評標專家專業(yè)分類的發(fā)展現(xiàn)狀
隨著招標投標事業(yè)的發(fā)展，目前的國家專業(yè)分類標準已經(jīng)不能夠完全體現(xiàn)各行業(yè)的特點。例如國家專業(yè)分類標準中未包含石油化工工程涉及的裝置主項分類等，不能夠準確體現(xiàn)石油化工行業(yè)專業(yè)人才能力結(jié)構(gòu)，造成專家選擇專業(yè)不準確或與自身能力不匹配；招標人及其代理機構(gòu)由于自身業(yè)務(wù)能力和不同行業(yè)的專業(yè)壁壘，不能按照工程項目特點準確設(shè)置抽取專業(yè)并精準抽取專家，造成抽取的專家不能滿足項目評標評審需求或?qū)I(yè)程度不夠。
為滿足各行業(yè)招標投標過程中對評標專家專業(yè)素質(zhì)和能力的要求，國家在評標專家專業(yè)分類方面進行了大量的研究。招標投標方面，國家發(fā)展改革委等十部委2018年修訂了《標準》，調(diào)整了部分專業(yè)分類名稱，新增和細化了部分專業(yè)分類。政府采購方面，財政部2022年修訂了《政府采購品目分類目錄》，優(yōu)化了貨物類品目分類方式，新增了部分品目，刪除了部分品目，如“不可移動文物”“無形資產(chǎn)”等。
各省、市級行業(yè)主管部門也對本行業(yè)重點領(lǐng)域的專家專業(yè)分類進行了細化和補充。例如湖南省住房和城鄉(xiāng)建設(shè)廳針對城市建設(shè)行業(yè)專家進行統(tǒng)一管理，并對城鎮(zhèn)燃氣、城鎮(zhèn)供水、排水與污水處理、市容環(huán)衛(wèi)、道路橋梁、園林綠化、城市照明、海綿城市建設(shè)等領(lǐng)域進行了細分，支持主管部門的政策研究、評價評估、調(diào)研、應(yīng)急處置等相關(guān)工作需要。又如深圳市科技創(chuàng)新委員會聚焦科技創(chuàng)新方面，以從事的產(chǎn)業(yè)集群對專家進行分類管理和應(yīng)用，主要包括戰(zhàn)略性新興產(chǎn)業(yè)和未來產(chǎn)業(yè)，其中戰(zhàn)略性新興產(chǎn)業(yè)包含20個子類，未來產(chǎn)業(yè)包含8個子類，有力支撐了深圳市科技創(chuàng)新中心建設(shè)。
各社會組織也對本行業(yè)的專家專業(yè)進行了明確和規(guī)劃。例如北京市司法鑒定業(yè)協(xié)會針對鑒定領(lǐng)域?qū)＜疫M行了分類，主要包括法醫(yī)臨床、法醫(yī)病理、法醫(yī)物證、法醫(yī)精神病、法醫(yī)毒物、文書、痕跡、微量物證、電子數(shù)據(jù)、錄音、圖像、環(huán)境損害、交通事故痕跡等，并在此基礎(chǔ)上開展團體標準制定，推動了司法鑒定事業(yè)高質(zhì)量發(fā)展。
綜上，各行業(yè)主管部門或自律組織均按照本行業(yè)實際管理工作需要，有針對性地開展專業(yè)人才分類管理和人才智庫建設(shè)，支持和推動本行業(yè)發(fā)展。
三、人工智能的關(guān)鍵技術(shù)
人工智能（Artificial Intelligence，簡稱AI）指的是使計算機系統(tǒng)能夠通過學習、推理、判斷等方式來模擬人類智能的一門科學技術(shù)，其核心是通過算法幫助計算機理解和處理人類的語言、圖像、聲音等信息，并從中提取特征和規(guī)律，進行分類、預(yù)測和判斷等任務(wù)，最終賦能計算機像人類一樣學習、推理、決策和執(zhí)行。隨著科技的飛速發(fā)展，人工智能技術(shù)主要有六個方向。
（一）機器學習
機器學習是人工智能領(lǐng)域的重要分支，其目標是使計算機能夠從數(shù)據(jù)中自行學習，而無需進行明確的編程。通過使用算法和統(tǒng)計模型，機器學習可以識別模式并進行預(yù)測。在眾多應(yīng)用中，包括推薦系統(tǒng)、自然語言處理和計算機視覺等領(lǐng)域，都可以見到機器學習的身影。
（二）深度學習
深度學習是機器學習的一個子集，它利用神經(jīng)網(wǎng)絡(luò)模型進行學習。深度學習的出現(xiàn)，使得計算機能夠處理更加復(fù)雜和抽象的任務(wù)，例如圖像識別、語音識別和自然語言理解等。通過訓練，深度神經(jīng)網(wǎng)絡(luò)能夠從大量數(shù)據(jù)中提取有用的特征，從而實現(xiàn)高度準確和高效的任務(wù)處理。
（三）自然語言處理
自然語言處理(Natural Language Processing，簡稱NLP)技術(shù)是實現(xiàn)人與計算機之間用自然語言進行交流的學科。目前，NLP技術(shù)已經(jīng)廣泛應(yīng)用于語音識別、機器翻譯、聊天機器人等領(lǐng)域。通過NLP技術(shù)，計算機可以理解和生成人類語言，從而更好地與人類進行交互。
（四）計算機視覺
計算機視覺是研究如何使計算機具備人類視覺系統(tǒng)功能的學科。它涉及圖像處理、特征提取、模式識別等多個領(lǐng)域。在現(xiàn)實應(yīng)用中，計算機視覺技術(shù)被廣泛應(yīng)用于人臉識別、自動駕駛、工業(yè)自動化等領(lǐng)域。
（五）語音識別
語音識別技術(shù)是指將人類語音轉(zhuǎn)換為計算機可讀的文本或命令的技術(shù)。語音識別技術(shù)涉及聲音的采集、預(yù)處理、特征提取、模式匹配等多個環(huán)節(jié)。隨著智能語音助手和語音搜索等應(yīng)用的普及，語音識別技術(shù)已成為人工智能領(lǐng)域的重要分支。
（六）知識表示與推理
知識表示與推理是人工智能領(lǐng)域的一種重要技術(shù)，它涉及如何將知識以適當?shù)男问奖硎境鰜?，并利用這些知識進行推理和決策。知識表示與推理在專家系統(tǒng)、自然語言理解等領(lǐng)域有著廣泛的應(yīng)用，通過將知識表示為計算機可理解的格式，并利用推理規(guī)則進行推理，可以實現(xiàn)基于知識的決策和問題解決。
綜上，人工智能的主流技術(shù)包括機器學習、深度學習、自然語言處理、計算機視覺、語音識別和知識表示與推理等。這些技術(shù)的不斷發(fā)展與應(yīng)用，為人工智能領(lǐng)域的進步提供了強大的支撐。此外，還有跨媒體分析推理技術(shù)、智適應(yīng)學習技術(shù)、群體智能技術(shù)、智能芯片技術(shù)等，也是人工智能的重要技術(shù)。這些技術(shù)的綜合應(yīng)用，推動了人工智能的發(fā)展，有望為構(gòu)建智慧社會作出重要貢獻，創(chuàng)造更美好的未來。
四、人工智能在評標專業(yè)推薦中的應(yīng)用方法
隨著招標投標事業(yè)的發(fā)展，“專業(yè)選擇困難”“專家不專”等問題逐漸顯現(xiàn)，對專家與專家?guī)旃芾硖岢隽烁叩囊蟆Ｒ虼?，利用人工智能技術(shù)解決管理過程中的問題，將逐漸成為發(fā)展趨勢。
近年來，推薦系統(tǒng)作為人工智能技術(shù)應(yīng)用的重要領(lǐng)域，取得了顯著的進展。其基本原理在于通過對用戶歷史行為和興趣進行分析，構(gòu)建用戶的個人模型，并根據(jù)用戶模型推薦內(nèi)容和產(chǎn)品。
在招標投標行業(yè)中，以向評標專家推薦專業(yè)為例，常見推薦算法和可應(yīng)用的人工智能技術(shù)如下：
（一）協(xié)同過濾算法
協(xié)同過濾算法是推薦系統(tǒng)的經(jīng)典算法之一，通過分析專家的履歷和能力相似性，找到專家之間的關(guān)聯(lián)性，從而推薦相似專家的評標專業(yè)。人工智能技術(shù)在協(xié)同過濾算法中發(fā)揮著重要作用，特別是機器學習和深度學習技術(shù)的應(yīng)用，使得推薦的準確性和個性化程度得到了極大提升。
（二）內(nèi)容過濾算法
內(nèi)容過濾算法是將內(nèi)容和產(chǎn)品的特征向量化，根據(jù)專家的履歷和能力進行匹配推薦的一種方法。通過機器學習和自然語言處理技術(shù)，可以對專家信息進行自動分類和標簽化，從而推薦與專家相關(guān)的評標專業(yè)。
（三）混合推薦算法
混合推薦算法是將多種推薦算法進行融合，綜合利用各種算法的優(yōu)點，提高推薦系統(tǒng)的準確性和個性化程度。人工智能技術(shù)在混合推薦算法中的應(yīng)用主要體現(xiàn)在算法的自動選擇和加權(quán)分配上，通過對專家履歷和能力的分析，智能地選擇合適的推薦算法進行推薦。
（四）強化學習技術(shù)
強化學習技術(shù)是一種機器學習方法，通過智能體與環(huán)境的交互來學習最優(yōu)策略。在推薦系統(tǒng)中，通過強化學習技術(shù)，可以根據(jù)專家對推薦結(jié)果的反饋、系統(tǒng)對推薦結(jié)果的反饋，智能地調(diào)整推薦策略，提高專業(yè)推薦的準確性和效率。
同理，在推薦抽取專業(yè)時，可采用相同的方式構(gòu)建推薦系統(tǒng)，通過分析項目的招標內(nèi)容和需求，向招標人或其招標代理機構(gòu)推薦合適的專家抽取專業(yè)。
五、人工智能在專業(yè)推薦中的挑戰(zhàn)
盡管人工智能技術(shù)在推薦系統(tǒng)中的應(yīng)用取得了重要的進展，但仍然存在一些挑戰(zhàn)需要克服。
（一）數(shù)據(jù)隱私問題
推薦系統(tǒng)需要大量的專家數(shù)據(jù)或項目數(shù)據(jù)來進行模型訓練和推薦計算，但同時也引發(fā)了隱私和數(shù)據(jù)安全的問題。如何在保護隱私的前提下有效利用數(shù)據(jù)，是當前亟待解決的問題之一。
（二）冷啟動問題
推薦系統(tǒng)需要有足夠的專家數(shù)據(jù)或項目數(shù)據(jù)來進行推薦，但對于新系統(tǒng)或新環(huán)境而言，缺乏專家數(shù)據(jù)或項目數(shù)據(jù)會導(dǎo)致推薦的準確性下降。如何解決冷啟動問題并提高推薦質(zhì)量，是一個需要解決的難題。
（三）算法魯棒性問題
推薦系統(tǒng)中的算法需要具備魯棒性，對于不同專家、不同項目、不同情境下的推薦需求能夠適應(yīng)和響應(yīng)。如何提高算法的魯棒性以滿足多樣化場景需求，是一個需要關(guān)注的重點。
六、人工智能在專業(yè)推薦中的應(yīng)用路線
（一）專業(yè)推薦應(yīng)用規(guī)劃路線
考慮招標投標行業(yè)中專家管理與開評標管理的現(xiàn)狀，結(jié)合人工智能技術(shù)的發(fā)展現(xiàn)狀，可以分階段推進人工智能技術(shù)在專業(yè)推薦中的應(yīng)用。
1. 第一階段
在結(jié)構(gòu)化專家履歷和能力數(shù)據(jù)、結(jié)構(gòu)化招標項目數(shù)據(jù)的前提下，利用協(xié)同過濾算法，構(gòu)建專家評標專業(yè)推薦模型、項目抽取專業(yè)推薦模型，以大量歷史數(shù)據(jù)為基礎(chǔ)，對模型進行調(diào)整和優(yōu)化，實現(xiàn)向評標專家推薦評標專業(yè)范圍，并由評標專家進行確認，同時實現(xiàn)向招標人或其招標代理機構(gòu)推薦抽取專業(yè)范圍，并由招標人或其招標代理機構(gòu)進行確認（見圖1）。
本階段主要是實現(xiàn)推薦評標專業(yè)范圍，減少評標專家、招標人或其招標代理機構(gòu)選擇專業(yè)的盲目性，在一定程度上提高專業(yè)選擇的效率和準確性。
2. 第二階段
通過大量非結(jié)構(gòu)化的評標專家履歷和能力數(shù)據(jù)、招標項目數(shù)據(jù)，利用自然語音處理技術(shù)，提取專家特征或項目特征，構(gòu)建和訓練專家特征與評標專業(yè)模型、項目特征與抽取專業(yè)模型，利用機器學習、深度學習技術(shù)對模型進行訓練，實現(xiàn)精準推薦評標專業(yè)、抽取專業(yè)（見圖2）。
本階段主要是實現(xiàn)根據(jù)模糊的專家信息或項目信息，準確推薦評標專業(yè)或抽取專業(yè)，建立招標投標行業(yè)普遍適用的專業(yè)推薦模型，并可進行復(fù)制推廣。
3. 第三階段
在實現(xiàn)前兩個階段目標的基礎(chǔ)上，綜合專家評標專業(yè)推薦和項目抽取專業(yè)推薦的技術(shù)實現(xiàn)路徑和方法，直接向招標人或其招標代理機構(gòu)推薦評標專家，替代評標專家?guī)熘谐槿＜业臋C制。
本階段主要是基于大量的應(yīng)用實踐的基礎(chǔ)，對現(xiàn)有評標專家聘用過程進行優(yōu)化，有利于提高評標專家的專業(yè)性、準確性以及提升招標投標活動的效率。
（二）人工智能技術(shù)實現(xiàn)路線
在人工智能技術(shù)的具體應(yīng)用過程中，主要包括以下八個步驟。
1.數(shù)據(jù)收集
推薦系統(tǒng)的運作需要大量數(shù)據(jù)作為支撐。向?qū)＜姨峁┰u標專業(yè)推薦的應(yīng)用需要專家履歷和能力數(shù)據(jù)、專家評標專業(yè)數(shù)據(jù)等，可通過與評標專家?guī)旃芾韱挝唤⒑献鳎@得數(shù)據(jù)授權(quán)；向招標人或其招標代理機構(gòu)推薦抽取專業(yè)的應(yīng)用需要招標項目數(shù)據(jù)、招標項目抽取專業(yè)數(shù)據(jù)等，可通過與公共資源交易平臺運行管理單位建立合作，獲得數(shù)據(jù)授權(quán)。同時，通過各種技術(shù)和手段，將數(shù)據(jù)進行整合和處理。
2. 特征提取
通過對數(shù)據(jù)進行深入分析和挖掘，提取出能夠反映專家履歷和能力的特征以及招標項目的特征。這些特征可以包括專家的基本信息、學歷、工作經(jīng)歷、職稱與職業(yè)資格、業(yè)績行為等，也可以包括招標項目的類型、行業(yè)領(lǐng)域、技術(shù)要求、招標內(nèi)容等。
3. 模型構(gòu)建
基于提取的特征，利用機器學習、深度學習等技術(shù)構(gòu)建推薦模型。這些模型可以適用于協(xié)同過濾、內(nèi)容推薦、混合推薦等不同算法。
4. 模型訓練
利用大量的訓練數(shù)據(jù)對模型進行訓練，調(diào)整模型參數(shù)，提高模型的準確性和穩(wěn)定性。
5. 模型評估
對訓練好的模型進行評估，通過準確率、召回率、F1值等指標對模型性能進行量化評估。
6. 模型優(yōu)化
根據(jù)模型評估結(jié)果，對模型進行優(yōu)化和改進。其中包括改進特征提取、調(diào)整模型參數(shù)、采用更先進的算法等。
7. 上線應(yīng)用
將優(yōu)化后的模型部署到線上環(huán)境，提供實時推薦服務(wù)。同時，需要定期對模型進行更新和調(diào)整，以適應(yīng)數(shù)據(jù)分布的變化和業(yè)務(wù)需求的變化。
8. 反饋循環(huán)
通過收集各方反饋和線上數(shù)據(jù)，對模型進行持續(xù)的優(yōu)化和更新，形成一個持續(xù)改進的閉環(huán)。
在整個應(yīng)用過程中，需要綜合考慮業(yè)務(wù)管理要求、新技術(shù)接受程度、數(shù)據(jù)來源、數(shù)據(jù)規(guī)模、數(shù)據(jù)質(zhì)量、算法復(fù)雜度、實時性要求等多個因素，根據(jù)具體情況選擇合適的算法和技術(shù)，以實現(xiàn)推薦目標。
七、總結(jié)與展望
人工智能技術(shù)在招標投標領(lǐng)域的應(yīng)用必將是全局性的，所以站在整個招標投標領(lǐng)域的視角來看，其進程也許會有快有慢，但是最終必將達到一個新的平衡。人工智能技術(shù)的落地應(yīng)用，將會加速招標投標行業(yè)發(fā)展，使招標投標從程序價值向結(jié)果價值轉(zhuǎn)變。同時，由于凡事皆有成本，人工智能的引入必然會帶來一些新的問題，如增加招標成本、管理難度和數(shù)據(jù)風險等。在今后的工作中，應(yīng)深入研究人工智能技術(shù)的應(yīng)用場景，解決人工智能技術(shù)應(yīng)用帶來的問題和風險，實現(xiàn)風險與效益之間的平衡。
總之，人工智能技術(shù)已來，招標投標變革將至，我們能做的就是接納它、了解它、掌握它和用好它，加快完成從“互聯(lián)網(wǎng)+”到“人工智能+”的轉(zhuǎn)變，積極培養(yǎng)和發(fā)展招標采購領(lǐng)域的新質(zhì)生產(chǎn)力。
來源： 招標采購管理
