Prüfung von Ausschreibungen mithilfe von Large Language Modellen

In diesem Video spricht Masiar Ighani von der Firma Skillbyte über ein kürzlich abgeschlossenes Projekt, das die automatisierte Prüfung und Bewertung von Ausschreibungsunterlagen mithilfe von Large Language Models (LLMs) umfasste. Das Ziel war es, den Prozess für ein Bauunternehmen mit rund 400 Mitarbeitern zu optimieren, das an verschiedenen Bauprojekten interessiert war, jedoch durch den manuellen Bewertungsprozess der Ausschreibungen eingeschränkt wurde.

Im Gegensatz zu herkömmlichen Keyword-basierten Suchen auf Portalen, die nicht den komplexen Kontext einer Ausschreibung erfassen können, verwendet das LLM Techniken wie Word Embedding, Attention Mechanism und Positional Encoding, um den Kontext von Wörtern innerhalb eines Textes zu verstehen. Diese Fähigkeiten ermöglichen es dem LLM, Empfehlungen für passende Ausschreibungen zu geben, die auf spezifischen Kriterien basieren, wie z.B. die Übereinstimmung der geforderten Leistungen mit den Fähigkeiten des Unternehmens und angemessene Fristen für Angebotsabgaben.

Skillbyte setzte für das Projekt ihr eigenes Produkt, TextSense AI, ein, das auf der Retrieval Augmented Generation (RAG)-Architektur basiert. Dieses System vektorisiert Eingabedokumente und speichert diese Vektoren in einer Datenbank. Bei der Suche werden neue Texte ebenfalls vektorisiert und mit den gespeicherten Dokumenten abgeglichen, um die relevantesten Dokumente zu identifizieren.

Für die spezifische Aufgabe der Ausschreibungsbewertung definierte Skillbyte ein System-Prompt, das den LLM anwies, Ausschreibungsunterlagen gemäß festgelegten Kriterien zu prüfen. Das LLM wurde dazu trainiert, sowohl passende als auch ungeeignete Ausschreibungen zu erkennen und Empfehlungen auszusprechen. In einem Beispiel identifizierte das LLM aus 800 automatisch gezogenen Ausschreibungen drei Projekte, die besonders gut zu den Kompetenzen des Unternehmens passten.

Das Projekt demonstrierte, wie der Einsatz von LLMs den Prozess der Ausschreibungsbewertung erheblich beschleunigen kann. Was normalerweise eine sehr zeit- und arbeitsintensive Aufgabe darstellt, wurde auf wenige Stunden reduziert, wobei das System innerhalb von 3,5 Stunden sieben passende Projekte identifizierte und die entsprechenden Ausschreibungen generierte. Masiar Ighani schließt das Video mit einer Einladung zu einem Design Thinking Workshop, um ähnliche Effizienzsteigerungen in anderen Unternehmen zu erreichen.

#LargeLanguageModels #Automatisierung #Ausschreibungen #Bauindustrie #Effizienzsteigerung
#Skillbyte #TextSenseAI #AIProjekte #InnovativeTechnologien #MachineLearning #ArtificialIntelligence #Projektmanagement #Digitalisierung #AIinConstruction #DesignThinking