Prikaz postopka javnega naročanja
Obvestilo o razložljivosti
GLOSAR
| Pojem | Opredelitev |
|---|---|
| Umetna inteligenca | Umetna inteligenca je tehnologija, ki računalnikom in strojem omogoča, da simulirajo ali posnemajo človeško inteligenco in reševanje problemov. |
| Klasifikacijski model | Klasifikacijski model je vrsta modela strojnega učenja, v katerem se podatki kategorizirajo ali razvrščajo v predhodno določene razrede ali oznake. Model uporablja vhodne podatke, kar mu omogoča, da napove, v katero kategorijo ali razred spadajo podatki. |
| Enotni besednjak javnih naročil (CPV) | CPV (enotni besednjak javnih naročil) (1) je strukturiran sistem klasifikacijskih oznak, ki se uporablja pri javnih naročilih po vsej Evropski uniji. Namenjen je kategorizaciji in opisu predmeta nabav, storitev in gradenj. Klasifikacijski sistem CPV je zasnovan tako, da olajša objavo in primerjavo obvestil o javnih naročilih ter dobaviteljem in javnim naročnikom omogoča lažje iskanje ustreznih možnosti za sodelovanje v javnem naročanju. |
| eTranslation (2) | eTranslation je nevronski strojni prevajalnik Evropske komisije. |
| Strojno učenje | Strojno učenje je vrsta umetne inteligence, ki omogoča aplikacijam programske opreme „učenje“ iz preteklih izkušenj in povratnih informacij, da lahko še točneje napovedujejo rezultate, ne da bi jih bilo treba za to izrecno programirati. |
| Modelsko sklepanje | Modelsko sklepanje je faza, v kateri se za napovedovanje novih podatkov uporablja naučeni model strojnega učenja. |
| Učenje modelov | Učenje modelov je kritična faza pri razvoju modela strojnega učenja, pri katerem se model nauči oblikovati napovedi na podlagi podatkov. |
| Obdelava naravnega jezika (NLP) | Obdelava naravnega jezika je področje umetne inteligence, ki računalnikom omogoča analizo in razumevanje tako pisnega kot govorjenega človeškega jezika. |
| Prikaz postopka javnega naročanja | „Prikaz postopka javnega naročanja“ združuje informacije iz vseh obvestil TED, ki se nanašajo na isti postopek (povezana obvestila) in so predstavljene v enotnem, poenostavljenem in uporabniku prijaznem pogledu. Postopek javnega naročanja je nov koncept predstavitve podatkov o javnih naročilih, ki so na voljo v obvestilih TED. |
| scikit-learn | scikit-learn je odprtokodna knjižnica za strojno učenje za programski jezik Python. Vsebuje različne algoritme strojnega učenja, vključno z algoritmi za oblikovanje klasifikacijskih modelov. |
| Portal TED | Spletni portal TED-Tender electronic je spletišče (https://ted.europa.eu) Urada za publikacije Evropske unije, na katerem se objavlja Uradni list S (Dopolnilo k Uradnemu listu Evropske unije – UL S). Uporaba zbirke TED je brezplačna.
Vsi javni razpisi, ki presegajo določene pogodbene vrednosti, morajo biti objavljeni v izdaji UL S. |
(2) https://language-tools.ec.europa.eu/
1. Prikaz postopka javnega naročanja
Prikaz postopka javnega naročanja, ki je dostopen na portalu Urada za publikacije, združuje informacije iz vseh obvestil TED, ki se nanašajo na isti postopek (povezana obvestila) in so predstavljene na enostaven način na enem mestu. Prikaz postopka javnega naročanja je nov način predstavitve podatkov o javnih naročilih, ki so na voljo v obvestilih TED (3).
Poenostavljen prikaz je zasnovan tako, da ga lahko uporabniki brez posebnega znanja o javnih naročilih zlahka razumejo, zaradi česar je dostopen širšemu občinstvu.
Slika 1 – Združevanje postopkov javnega naročanja
Spletna stran s prikazom postopka javnega naročanja vsebuje vizualno predstavitev stanja in časovnice postopka ter geografsko zastopanost krajev izvedbe. Podrobnosti postopka vsebujejo ključne atribute za celoten postopek in vsak posamezni sklop. Poleg tega prikaz vsebuje neposredne povezave do vseh povezanih obvestil TED, kar zagotavlja enostaven dostop do primarnega vira informacij, ki je bil uporabljen pri pridobivanju podatkov za prikaz postopka javnega naročanja.
2. Kaj je obogatitev enotnega besednjaka javnih naročil (CPV)?
Obogatitev CPV je funkcija, katere cilj je izboljšati iskanje po postopkih javnega naročanja. Z boljšimi rezultati iskanja se bo izboljšala tudi uporabniška izkušnja portala Urada za publikacije. V ta namen sistem uporablja kombinacijo različnih tehnik umetne inteligence, kot sta obdelava naravnega jezika in strojno učenje, da bi lahko na podlagi vsebine postopkov izpeljali nove kode CPV za vse objavljene postopke.
Nove kode CPV, ki jih izpelje sistem, so prikazane blizu prvotnih kod CPV na strani s podrobnostmi o postopku. Stran jasno razlikuje med prvotnimi CPV postopka in izpeljanimi, tako da je uporabnik jasno obveščen, da so bile slednje pridobljene s pomočjo umetne inteligence. Poleg tega so izpeljane kode CPV integrirane v iskalne kriterije, kar izboljšuje izkušnjo iskanja uporabnikov, saj omogoča filtriranje postopkov na podlagi izboljšanih kod.
Če si denimo pogledamo postopek z naslovom „Luxembourg-Luksemburg: prevozne storitve s kombiniranim in mini kombiniranim vozilom z namenskim voznikom“ in opisom „Prevozne storitve s kombiniranim in mini kombiniranim vozilom z namenskim voznikom“, je prvotni CPV iz obvestila TED „60100000 – Storitve cestnega prevoza“. Na podlagi naučenega modela pa je sistem izpeljal dodaten, bolj specifičen CPV: „60170000 – Najem vozil za prevoz potnikov z voznikom“.
3. Kako deluje obogatitev CPV?
Sistem obogatitve CPV temelji na klasifikacijskem modelu, ki za učenje uporablja knjižnico scikit-learn. Vhodni podatki modela so vsebina besedila postopka, rezultat pa je ocena zaupanja vseh podprtih kod CPV. Za dani postopek se izvedejo naslednji koraki za pridobitev predvidenih kod CPV:
- Ekstrakcija: iz postopka se pridobi ustrezna vsebina za izpeljavo kod CPV, kot so naslovi postopkov in opisi.
- Prevod: če vsebina obvestila ni na voljo v angleščini, se vsebina postopka s storitvijo eTranslation prevede v angleščino.
- Predobdelava: pridobljena vsebina lahko vsebuje nerelevantne dele, kot so simboli, členi, vezniki itd. Glede na to, da te informacije ne pomagajo pri napovedovanju kod CPV in lahko vplivajo na kakovost sklepanja, se odstranijo iz vsebine postopka.
- Klasifikacija: ekstrahirana vsebina se prenese na klasifikacijski model, ki predvidi oceno zaupanja za vsako kodo CPV vnaprej določenih razredov.
- Filtriranje: za določitev, katere kode CPV bi bilo treba obdržati za postopek, se pridobljene ocene zaupanja primerja z mejno vrednostjo, določeno med učenjem modela. Če je ocena zaupanja kode CPV višja od tega praga, se šteje, da je koda relevantna za postopek. Če je na primer model za kodo CPV 85000000 predvidel oceno zaupanja 0,7, prag pa znaša 0,6, sistem šteje, da je izpeljana koda CPV povezana s postopkom.
Da bi se naučil, kako izpeljati kode CPV, se model uči na celotnem sklopu postopkov, objavljenih na portalu. Na podlagi 80 % podatkov se uči več konfiguracij modela. Nato se oceni in ohrani tista, ki je dosegla najboljšo kakovost napovedi. Preostalih 20 % podatkov se uporabi za preskušanje kakovosti modela na podatkih, ki niso bili uporabljeni med učenjem. Vse izpeljane kode CPV, ki imajo oceno zaupanja pod konfiguriranim pragom, se onemogočijo, da se sistemu prepreči napačne napovedi ali uporabo teh kod; še vedno pa se lahko pojavijo napake pri izpeljavi ali opustitvah kod CPV.
Klasifikacijski model se uči in prilagaja ročno. Model z najboljšo kakovostjo napovedi se uporablja za samodejno izpeljavo dodatnih CPV o nedavno obdelanih postopkih javnega naročanja.
4. Kateri podatki se uporabljajo pri obogatitvi CPV?
Sistem za obogatitev CPV uporablja postopke, ki so javno dostopni na portalu Urada za publikacije, da bi se naučil, kako izpeljati kode CPV. Sedanji sistem se je učil na vzorcu 2,5 milijona postopkov, objavljenih od leta 2011 do danes.
Iz vseh postopkov, ki jih sistem uporablja za učenje izpeljanega modela, se pridobijo naslednje informacije:
- naslov postopka,
- kratek opis postopka,
- naslov sklopov (če postopek vsebuje sklope),
- kratek opis sklopov (če postopek vsebuje sklope),
- glavne in dodatne kode CPV, ki so že vključene v postopek,
- glavne in dodatne kode CPV sklopov (če postopek vsebuje sklope).
Te informacije so objavljene na podlagi načela preglednosti, ki velja za vse politike in zakonodajo EU. Za učenje in izboljšanje sistema obogatitve CPV se osebni podatki ne uporabljajo.
5. Sedanje omejitve
- Sistem lahko izpelje kode CPV, ki so sestavljene iz do 5 števk (enote, skupine, razredi in kategorije) in ne podpira nižjih ravni.
- Sistem podpira samo kode CPV, za katere je bila potrjena dobra kakovost sklepanja, kar predstavlja 61 % možnih kod CPV do 5 števk.
- Sistem podpira le sklepanje o postopkih, ki so bili objavljeni od leta 2011 do danes.
6. Izjava o omejitvi odgovornosti – vidiki odgovornosti
Portal Urada za publikacije zajema vsebino, ustvarjeno z umetno inteligenco ali drugimi avtomatiziranimi tehnologijami. Vsebina je na voljo zgolj v informativne namene. Nanjo se ne bi smeli opirati za kakršenkoli namen, ne da bi pred tem preverili njeno točnost in popolnost.
Pregled postopka javnega naročanja združuje več tehnik umetne inteligence za zbiranje podatkov, da bi se izboljšala najdljivost ustreznih razpisov za zbiranje ponudb, objavljenih na portalu TED, ter olajšalo iskanje in pomoč.
Funkcija obogatitve CPV in izpeljani rezultati na podlagi umetne inteligence, tj. izpeljane kode CPV, so popolnoma avtomatizirani. Zaradi kompleksnosti delovanja sistema ali podatkov lahko v nekaterih primerih pride do napake. V prikazu postopka javnega naročanja se uporabljajo izključno podatki, ki so na voljo v izdaji UL S, objavljeni na portalu TED, Tenders Electronic Daily (https://ted.europa.eu).
Vendar so uradne informacije v zvezi z javnimi razpisi in ustreznimi obvestili samo tiste, ki so objavljene v Dopolnilu k Uradnemu listu EU (UL S). Čeprav so bili sprejeti vsi potrebni ukrepi za zagotovitev najvišje možne kakovosti vsebine, ki se pridobi s tehnologijo umetne inteligence, njene točnosti ni mogoče v celoti zagotoviti.
Zato Urad za publikacije in institucije EU zavračajo kakršnekoli napake ali opustitve v rezultatih, ki izhajajo iz uporabe tehnik umetne inteligence, ter ne prevzemajo odgovornosti za morebitne posledice zanašanja na takšne vsebine, ustvarjene z umetno inteligenco. Uporabnikom svetujemo, da vsebino uporabljajo previdno, priporočamo pa tudi dodatno pazljivost.