FFG Projektdatenbank

zurück

TendX.ai

Tender exploration by Artificial Intelligence

Projektbeschreibung

Künstliche Intelligenz (KI) wurde bereits 1956 auf einer von John McCarthy organisierten Wissenschaftskonferenz in Dartmouth definiert und die konzeptionellen Grundsteine für die noch heute tragenden Entwicklungen gelegt. Dennoch dauerte es bis in die 90er Jahre, bis aufgrund fortschrittlicher Rechentechnik und der gewaltigen Datenmenge des offenen Internets ernstzunehmende Fortschritte erzielt werden konnten. Zuletzt machten es die milliardenschweren Investitionen und mathematische Weiterentwicklungen im Bereich des maschinellen, tiefergehenden Lernens (Deep Learning) möglich, komplexe Zusammenhänge und Kontext in großen Datenmengen zu verstehen und wiederzugeben.

Einer der bislang im Kontext von KI nur geringfügig betrachteten Anwendungsfälle sind öffentliche Ausschreibungen. Allein in Österreich werden jährlich rund 25.000 Aufträge über öffentliche Ausschreibungen vergeben, was einer Wirtschaftsleistung von 14% des BIP entspricht. Doch noch immer werden die Ausschreibungen auf klassischen Plattformen veröffentlicht, auf denen man mit Suchalgorithmen die passenden Angebote finden und beantworten kann. Dies führt zu der Herausforderung, die oft mehrere Hundert Seiten langen Dokumente zu sortieren, zu strukturieren und die relevanten Informationen zu finden, bevor man überhaupt mit dem Angebotsprozess beginnt. Besonders für KMUs ist dieser Prozess so aufwändig, dass viele Unternehmen überhaupt nicht an Ausschreibungen teilnehmen bzw. diese überwachen.

Das Projekt zielt deshalb darauf ab, mithilfe von LLMs (Large Language Models) Ausschreibungstexte zu screenen, zu analysieren, zu interpretieren und die für Bieter relevanten Informationen in einer geeigneten Struktur zusammenzufassen. Dies ermöglicht Bietern einen schnellen und einfachen Überblick über alle relevanten Ausschreibungsinformationen. Pro Person, die für Ausschreibungen zuständig ist, werden so 10-15 Stunden pro Woche an Arbeitszeit mit einer solchen Analysefunktion gespart.

Die angestrebten Ergebnisse bewirken eine enorme Steigerung der Arbeitseffizienz und ermöglichen die Teilhabe kleiner und mittlerer Unternehmen, die bislang das Screening von Ausschreibungen aufgrund des hohen Aufwandes gemieden haben. Bestehende Ausschreibungsanalysen werden um 25-40% zeiteffizienter, und KMUs wird der Zugang zu Ausschreibungen massiv erleichtert.

Abstract

Artificial Intelligence (AI) was first defined in 1956 at a scientific conference organized by John McCarthy in Dartmouth, where the conceptual foundations for developments that are still relevant today were laid. However, it took until the 1990s for significant progress to be made, thanks to advancements in computing technology and the massive amount of data available on the open internet. More recently, multi-billion-dollar investments and mathematical advancements in the field of machine learning, particularly deep learning, have made it possible to understand and reproduce complex relationships and context in large datasets.

One application area that has been relatively overlooked in the context of AI is public tenders. In Austria alone, around 25,000 contracts are awarded annually through public tenders, accounting for 14% of the country's GDP. Despite this, tenders are still published on traditional platforms, where search algorithms are used to find and respond to suitable offers. However, this leads to the challenge of sorting, structuring, and extracting relevant information from documents that are often hundreds of pages long, before even beginning the bidding process. For small and medium-sized enterprises (SMEs), this process is so time-consuming that many companies either do not participate in tenders at all or fail to monitor them.

The project, therefore, aims to use large language models (LLMs) to screen, analyze, and interpret tender texts, summarizing the relevant information for bidders in an appropriate structure. This allows bidders to quickly and easily gain an overview of all relevant tender information. As a result, each person responsible for tenders can save 10-15 hours of work per week with such an analysis function.

The intended outcomes will lead to a significant increase in work efficiency and enable participation by small and medium-sized enterprises that have previously avoided tender screening due to the high effort involved. Existing tender analyses will become 25-40% more time-efficient, and access to tenders for SMEs will be greatly facilitated.

zurück