AI do kategoryzacji pytań RFP: gdy jeden punkt wymaga kilku autorów

Dwie prośby pod jednym numerem

Klient pyta w RFP: „Gdzie przechowywane są kopie zapasowe i kto zatwierdza ich usunięcie?”. Informacje o lokalizacji dostarcza infrastruktura, a zatwierdzanie usunięcia prowadzi właściciel procesu. Przypisanie całego punktu do tematu „kopie zapasowe” ukrywa potrzebę udziału drugiej osoby, więc zespół opisuje lokalizację, a koordynator odkrywa lukę dopiero przy składaniu oferty.

Dobra propozycja pokazuje osobno fragment o lokalizacji i fragment o zatwierdzeniu, każdy z tematem. Obie części zostają połączone z pełnym pytaniem i jego numerem, a oryginalne brzmienie jest widoczne. Rozpoznanie tematu oddzielamy od obsady: gdy zmienia się osoba odpowiedzialna za proces, firma aktualizuje przypisanie bez ponownego uczenia modelu.

Ile daje prostsza zmiana, a ile trening

W tym rachunku lista tematów z opisem odpowiedzialności daje większość efektu za ułamek kosztu. Trening ma sens przy większej skali albo gdy pozostałe błędy są kosztowne. Najdroższy błąd to druga prośba odkryta przy składaniu oferty, dlatego liczymy osobno pominięte części i źle przypisane tematy.

Zbiór przykładów do uczenia trzeba utrzymywać: gdy zmienia się proces, nazewnictwo albo model bazowy, ocenę powtarza się na tym samym zbiorze testowym. Ten koszt wpisujemy do wyceny razem z samym uczeniem.

Co sprawdzić przed dostosowaniem modelu

Najpierw sprawdź narzędzie ofertowe: czy pozwala przypisać kilku współautorów do jednego punktu albo połączyć zadania cząstkowe z pytaniem klienta. Przy powtarzalnych pytaniach pomaga wspólna lista tematów z opisem odpowiedzialności. Gdy rozdzielanie rozbudowanych zdań nadal wymaga ponownego czytania, porównaj gotowy model z obecną metodą. AWS opisuje własną klasyfikację dokumentów przez zdefiniowanie klas, wytrenowanie klasyfikatora i zastosowanie go do dokumentów. Zbieranie ustaleń od znanych autorów opisuje tekst o wyjaśnieniach technicznych w przetargu.

Od czego zacząć

Porównanie obejmuje inne zapytania niż użyte do dostosowania: punkty wymagające kilku autorów i proste pytania jednego obszaru. Koordynator liczy, ile propozycji poprawia przed przydzieleniem autorów. Dostosowanie modeli prowadzimy w ramach prywatnych modeli LLM, a aplikację, w której pracownik widzi wynik obok źródła, w ramach aplikacji AI. Na bezpłatną analizę wystarczy kilka przykładów błędu, który wraca, i opis, kto go dziś poprawia.