Zautomatyzowany proces przetargowy wspierany przez AI - optymalizacja kosztów i czasu pracy

Udział w przetargach dla firm z branży finansowej to sposób na pozyskanie nowych klientów, który niestety zawsze wiąże się z zaangażowaniem wielu specjalistów w przygotowanie oferty, a to znacząco zwiększa koszty operacyjne.

Nie każdy przetarg kończy się sukcesem, co w skali roku może wiązać się z dużymi kosztami inwestycyjnymi, które nie przynoszą żadnych zysków - zauważa Tomasz Gdula, inżynier oprogramowania , który za pomocą AI usprawnia i automatyzuje proces tworzenia odpowiedzi na zapytania ofertowe (RFP).

W tym wywiadzie Tomasz dzieli się swoim doświadczeniem związanym z implementacją rozwiązania opartego na modelach językowych. A także wyjaśnia, jak dzięki stworzonemu narzędziu usprawniono proces przygotowania dokumentów przetargowych, co w rezultacie skraca czas pracy zaangażowanych osób przy jednoczesnym zachowaniu wysokiego poziomu merytorycznego odpowiedzi udzielanych w formularzach.

W trakcie przetargu na systemy do sprawozdawczości obligatoryjnej zespół sprzedażowy otrzymuje od potencjalnego klienta listę szczegółowych pytań dotyczących różnych obszarów – począwszy od zagadnień związanych z bezpieczeństwem i zgodnością, poprzez architekturę, miejsce przechowywania i sposób przetwarzania danych, aż po obsługę posprzedażową świadczoną przez załogę supportu. Jak wygląda proces odpowiadania na te pytania klientów?

Odpowiedzi na pytania zawarte w kwestionariuszach udzielają nasi eksperci z właściwych działów. Część zagadnień jest standardowa dla podmiotów działających na rynku finansowym. Jednak częściej są to pytania specyficzne, bardzo szczegółowe, konkretne, wymagające sięgnięcia nieco głębiej, np. weryfikacji aktualności informacji. Czasami nawet konieczne jest połączenie wiedzy kilku osób z różnych specjalizacji.

W zależności od liczby pytań (a często jest ich kilkadziesiąt) oraz ich skomplikowania, zebranie wszystkich informacji nierzadko trwa ponad tydzień. Angażuje przy tym wiele osób z różnych dziedzin, także tłumaczy lepiej zorientowanych w niuansach języka angielskiego z branży finansowej, bankowości czy prawa . Warto podkreślić, że nie każdy przetarg kończy się sukcesem, co w skali roku może wiązać się z dużymi kosztami inwestycyjnymi, które nie przynoszą żadnych zysków.

Dlatego postanowiliście sięgnąć po nowoczesną technologię AI?

Aby wspomóc naszych specjalistów w procesach przetargowych, postanowiliśmy stworzyć narzędzie oparte na modelach językowych. Aplikacja wykorzystuje różne źródła danych, bazujące na dokumentacji przechowywanej w różnych lokalizacjach i formatach. Na podstawie zawartych tam treści, możliwie krótko i precyzyjnie, odpowiada na pytania zawarte w formularzach.

Rola eksperta sprowadza się do weryfikacji poprawności, drobnej korekty albo uzupełnienia brakujących odpowiedzi – jeśli tych informacji brakuje w dostępnych źródłach.

Dlaczego ważne jest, aby eksperci uzupełniali brakujące informacje w bazie wiedzy?

Aplikacja pobiera informacje z naszych wewnętrznych zasobów. Mogą to być dokumenty opisujące procesy lub technologię, kwestionariusze wypełniane już kiedyś dla innych klientów, arkusze kalkulacyjne zamieszczone na SharePoint itp. Może się jednak okazać, że model nie znajdzie wyjaśnienia na jakieś pytanie. Wówczas ekspert musi udzielić odpowiedzi samodzielnie oraz uzupełnić bazę wiedzy.

Jak istotne jest udokumentowanie wiedzy przekonujemy się, podczas nieobecności danego eksperta, gdy zespół musi wypełnić i odesłać kwestionariusz w ściśle określonym terminie. Stąd nie mniej ważne jest, aby każdorazowo pracownik uzupełnił dokumentację wewnętrzną o brakujące informacje. Dzięki temu model może się uczyć i w przyszłości udzielać lepszych odpowiedzi.

Skoro model cały czas się uczy, czy aplikacja zostanie kiedykolwiek skończona?

Zawsze mogą się pojawić zapytania od klientów, na które nawet eksperci nie będą znali odpowiedzi. Wówczas zespół będzie musiał wypracować nasze stanowisko w danej sprawie, a narzędzie dopiero później będzie korzystać z nowo powstałej wiedzy. W tym kontekście, narzędzie ciągle jest rozwijane.

Jakie są różnice między ChatGPT, a narzędziem opracowanym przez was?

Nasze narzędzie oferuje zróżnicowany sposób komunikacji. Oczywiście wciąż istnieje możliwość korzystania z czatu, ale umożliwiamy użytkownikom także wygodną pracę bezpośrednio na plikach Excel. To pozwala na łatwiejszą interakcję z narzędziem i efektywne udzielanie odpowiedzi na wiele pytań.

Nie możemy i nie chcemy upubliczniać naszej wiedzy, dlatego korzystamy z rozwiązań Microsoft Azure oraz najnowszych modeli OpenAI wdrożonych na naszej prywatnej subskrypcji. Dzięki temu możemy zagwarantować najwyższy poziom bezpieczeństwa i poufności danych.

Ponadto naszym priorytetem jest, aby narzędzie dostarczało precyzyjnych odpowiedzi, bazujących na naszych wewnętrznych źródłach wiedzy. W tym celu zastosowaliśmy starannie dostosowane polecenia oraz dodatkowo przetwarzamy zapytania, aby uzyskać najdokładniejsze wyniki. Dodatkowo nasze narzędzie, w przeciwieństwie do ChatGPT, posiada mechanizmy zapobiegające generowaniu błędnych wyników, czyli tzw. halucynacji, które z jednej strony obejmują dedykowane zabezpieczenia a z drugiej, systematyczną ewaluację odpowiedzi.

I w końcu, z rozwiązania korzystają tylko wybrani pracownicy firmy, którzy w codziennej pracy mierzą się z uzupełnianiem kwestionariuszy. Niektóre informacje są poufne i nie wszyscy pracownicy, nawet naszej firmy, powinni mieć do nich dostęp.

Czy możesz zdradzić, ile kosztuje korzystanie z tej aplikacji?

Koszt korzystania z aplikacji zależy od ilości danych, którymi zasilamy model, liczby zapytań oraz możliwości wybranego modelu. W ramach subskrypcji płacimy za tokeny, które następnie są przeliczane na pieniądze. Na przykład, tysiąc tokenów można przeliczyć na około 750 słów. Aktualnie koszty kształtują się w przedziale od kilkudziesięciu do stu dolarów. Zatem miesięczne koszty narzędzia są nieporównywalnie niższe od kosztów roboczogodzin specjalistów, którzy mieliby samodzielnie udzielać odpowiedzi na pytania.

Czy to narzędzie będzie dostępne dla waszych klientów?

Ze względu na poufność informacji, na których bazuje aplikacja, narzędzie to jest dostępne wyłącznie dla naszych wybranych pracowników. Natomiast prowadzimy już rozmowy z klientami, którzy potrzebują podobnego rozwiązania w swojej firmie i, co istotne, mają w większości udokumentowaną wiedzę. Jest to niezbędne do zapewnienia poprawności i dokładności generowanych odpowiedzi.

Gdzie jeszcze w bankowości widzisz zastosowanie narzędzi opartych na modelach językowych?

Narzędzia oparte na modelach językowych w sektorze bankowym mogą wpierać procesy w wielu obszarach. Na przykład w obsłudze klienta mogą automatycznie analizować historię komunikacji z daną osobą, podpowiadając sprawdzone rozwiązania konkretnych problemów, dopasowane do jej potrzeb czy specyficznej sytuacji.

W procesie analizy i weryfikacji umów mogą wyszukiwać niespójności w dokumencie lub niezgodności z wymaganiami prawnymi, m.in. identyfikując klauzule abuzywne.

Wreszcie, biorąc pod uwagę wciąż zmieniające się regulacje, takie narzędzia mogą monitorować zmiany prawne i wspierać dostosowywanie się do nich.

Jak Twoim zdaniem będzie wyglądać przyszłość, jeśli chodzi o zastosowanie narzędzi wykorzystujących Machine Learning?

Przyszłość zapowiada się niezwykle interesująco, ponieważ niemal co tydzień pojawiają się nowe modele z nowymi możliwościami. Ponadto sposób komunikacji z systemami AI wciąż się rozwija, regularnie zmieniając nasze podejście do tej technologii.

Obecnie w naszej pracy korzystamy głównie z modeli językowych, ale w codziennej komunikacji posługujemy się również językiem mówionym lub obrazem – aby lepiej wyrazić złożone pomysły.

Myślę, że w przyszłości na każdym kroku będziemy korzystać z wielu asystentów. Takich jak to narzędzie, o którym rozmawialiśmy, czy inne, podobne – jak np. GitHub Copilot. To narzędzia, które wzajemnie się uzupełniają i pomagają nam w codziennej pracy.

Dzięki temu, ludzie będą mogli więcej czasu poświęcić na tworzenie, sprawdzanie i rozwijanie nowych pomysłów!

Dziękuję za rozmowę.

‍

Tomasz Gdula, Software Engineer AI/ML z wieloletnim doświadczeniem, specjalizuje się w tworzeniu rozwiązań opartych na modelach językowych. Obecnie odpowiada za budowę i rozwój narzędzia, które automatyzuje wypełnianie złożonych kwestionariuszy ofertowych wymaganych podczas przetargów przez banki i inne instytucje finansowe w FINGO (od grudnia 2024 część grupy Regnology).