Laatste Klantreferentie:
VORM & Brainial versnellen woningbouw met AI
Aanbestedingen

Tender informatie overload! Hoe vindt u snel informatie?

21 juli 2021
10 min lezen
Gepubliceerd in
Aanbestedingen

Tender informatie overload! Hoe vindt u snel informatie?

Tender informatie overload! Hoe vindt u snel informatie?

Er circuleren nu meer gegevens en informatie dan op enig ander moment in de geschiedenis. Aanbestedingen lijken groter te worden en meer informatie te bevatten dan ooit tevoren. Aanbestedingen zijn nu al een essentieel onderdeel van de bedrijfsactiviteiten van veel organisaties. Volgens TED is de aanbestedingsmarkt in Europa groot en groeiende. Niet alleen vanwege de groeiende behoefte van de publieke sector aan transparantie over de besteding van belastinggeld, maar ook veel grote bedrijven in de particuliere sector volgen deze trend, op zoek naar betere prijzen en een meer gestructureerde manier om te onderhandelen met potentiële leveranciers. Deze blogpost gaat niet over hoe u de aankondigingen of gepubliceerde aanbestedingsinformatie kunt volgen, maar over hoe u snel de juiste informatie vindt zodra de aanbestedingsdocumenten zijn ontvangen.

Op Brainial zien we dat onze klanten gemiddeld 100 tot 150 documenten per aanbesteding ontvangen, met soms uitschieters tot boven de 2000 documenten per aanbesteding. Zelfs na het lezen of scannen van de documenten, is het nog steeds moeilijk om de informatie te vinden die je zoekt. Ctrl F wordt heel vaak gebruikt, maar je moet weten in welk document je moet kijken om de juiste informatie te vinden. Erger nog, meerdere teamleden gebruiken de Ctrl F-functie per document van de aanbesteding en proberen dezelfde zorgen of informatie te vinden. Collega's nemen contact met elkaar op via digitale kanalen zoals Teams, Slack en e-mail, maar ook telefonisch of lopen naar elkaar toe met vragen over waar ze bepaalde informatie kunnen vinden. Denk hierbij aan informatie binnen de aanbesteding zelf, of historische aanbestedingsinformatie en informatie uit beantwoordingsdocumenten die in het verleden zijn geschreven. Herkent u dat?

Hoe ga je om met de stortvloed aan informatie? En hoe zorgt u ervoor dat u uw collega's niet steeds hoeft lastig te vallen met onnodige vragen die voor afleiding zorgen? De zoekmogelijkheden van een gedeelde of lokale schijf of zoeken binnen uw Document Management Systeem helpen u niet verder. Wij zullen u uitleggen hoe de Brainial oplossing kan helpen en hoe wij dit probleem kunnen aanpakken.

Hoe kunnen we helpen?

Met de Brainial oplossing ben je in staat om onmiddellijk elke gewenste informatie te vinden door gebruik te maken van het zogenaamde "Smart Search" (vector zoeken) of exact zoeken. De zoekresultaten kunnen worden gefilterd op categorieën, documenten, documenttypes, tags, taken, enz.

Idealiter zou u direct de informatie willen vinden waar u naar op zoek bent. Het filteren van informatie op zaken als categorie, document, documenttype en tages wordt dan erg handig om de juiste resultaten te vinden. Brainial heeft het makkelijk gemaakt om automatisch de relevante informatie te vinden met onze geavanceerde zoekmogelijkheden waarmee u zelfs gerelateerde informatie kunt vinden op basis van compleet andere trefwoorden of zelfs een andere taal. Hoe hebben we dit gedaan? Dat leggen we uit in het volgende deel van deze blogpost. En ja, we worden een beetje wetenschappelijk :-).

Natural Language Processing (NLP) analyseert taalgegevens in de vorm van documenten met behulp van verschillende computertechnieken¹. De machine leert de structuur en betekenis van menselijke taal en geeft de output aan de gebruiker². Het doel van NLP is correcte tekstgegevens te produceren die structuur aanbrengen in de ongestructureerde gegevens door gebruik te maken van linguïstische kennis¹. De toegevoegde waarde van NLP in de toekomst helpt bij het omgaan met tekst om processen en modellen op te bouwen en deze te manipuleren volgens het algoritme in de computer². Wanneer de structuur grammaticale relaties kan leggen tussen de componenten van de tekst, is de tekst syntactisch. Wanneer ze de betekenis van de tekst weergeeft, heet de tekst semantisch¹. Om de juiste verbanden te leggen tussen woorden in een stuk tekst, is syntactische informatie essentieel. Dit is op het basisniveau van het bepalen van de grammaticale functie van een woord¹.

Een NLP-systeem bestaat uit een pijplijn met een aantal componenten die zorgen voor de verwerking van de tekst. Elke component zorgt voor structuur in de tekst zodat de verdere verwerking gemakkelijker wordt, zoals bijvoorbeeld het verwijderen van stopwoorden of het vervangen van alle taalspecifieke letters door normale letters (bv. é naar e). De eerste componenten verschillen in taak ten opzichte van de latere componenten, die meer gericht zijn op het analyseren van concepten en relaties. Methoden die hiervoor worden gebruikt variëren van regelgebaseerde methoden waaronder je reguliere expressies kunt begrijpen tot statistische en machine learning modellen¹. Op Brainial gebruiken we een combinatie van op regels gebaseerde methoden en machine learning modellen.

Zoeken op Brainial

In ons geval is een belangrijk onderdeel van de NLP-pijplijn vectorisatie. Wat is vectorisatie? Word Embeddings of woordvectorisatie is een methodologie in NLP om woorden of zinsdelen uit de woordenschat in kaart te brengen in een overeenkomstige vector van reële getallen die wordt gebruikt om woordvoorspellingen, woordovereenkomsten/semantiek te vinden. Het proces van het omzetten van woorden in getallen wordt Vectorization³ genoemd. Het voordeel van vectorisatie voor de gebruiker is dat u de specifieke zoekterm niet hoeft te kennen om de relevante informatie te vinden die u zoekt. Op Brainial gebruiken we text similarity search om redenen van eenvoud en het feit dat we in staat zijn vector search uit te breiden met exact string matching om te zoeken op de exacte zoekinput van de gebruiker.

Hoe kunnen wij helpen? Met de Brainial oplossing zijn gebruikers in staat om onmiddellijk alle informatie te vinden die ze willen door gebruik te maken van zogenaamde "Smart Search" (vector search) of exact zoeken. Zoekresultaten kunnen worden gefilterd op categorieën, documenten, documenttypes, tags, taken, enz. omdat wij de aanbestedingsgegevens categoriseren, labelen en classificeren tijdens de eerste analyse als onderdeel van de NLP-pijplijnactiviteiten. Verspil geen tijd meer en val uw collega's niet langer lastig met de vraag waar u informatie kunt vinden. Begin met het verkennen van de Brainial Smart Search functionaliteit door een demo aan te vragen.

Bronnen:

  1. Verspoor, K., & Cohen, K. B. (2013). Natural Language Processing. Encyclopedia of Systems Biology, 1495–1498.
  2. Jain, A., Kulkarni, G., & Shah, V. (2018). Natural Language Processing. International Journal of Computer Sciences and Engineering, 6(1), 161–167.
  3. Towards Data Science, 2019, https://towardsdatascience.com/understanding-nlp-word-embeddings-text-vectorization-1a23744f7223

Vergelijkbare berichten

Lees meer over de laatste ontwikkelingen van Brainial, tendering & de fascinerende wereld van AI.
Bekijk onze Tendering & AI Blog.

Bekijk hoe u sneller betere voorstellen kunt maken

Wij leiden je graag door onze oplossing om
het potentieel voor u en uw bedrijf te verkennen.
Plan een demo
Een demo van Brainial
Ervaar onze waarde