یک بند کوچک و نادیده گرفته شده در اسناد مناقصه می‌تواند ده‌ها ساعت تلاش یک پیمانکار کوچک را به هدر دهد. BidReady AI که در ۱۵ اکتبر ۲۰۲۶ منتشر شد، دقیقاً برای حل این مشکل طراحی شده تا فرآیندهای سنگین خرید دولتی را به یک جریان کاری ساختاریافته و قابل تأیید تبدیل کند.
مناقصات دولتی معمولاً ده‌ها صفحه متن پراکنده هستند که آستانه‌های مالی، ثبت‌های قانونی و گواهینامه‌های حیاتی را در دل متون بدون ساختار پنهان کرده‌اند. برای شرکت‌های کوچک و متوسط (MSMEs) و مشاوران تدارکات، ریسک رد شدن درخواست به دلیل نادیده گرفتن یک جزئیات کوچک بسیار بالاست. این ابزار مانند یک فیلتر اولیه عمل می‌کند تا کسب‌وکارها فقط روی فرصت‌هایی وقت بگذارند که واقعاً شانس برنده شدن در آن‌ها را دارند.
زمینه و مورد تجاری
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اتوماسیون فرآیندهای اداری اشاره کردیم، حذف کارهای تکراری، فضای لازم برای تفکر استراتژیک را ایجاد می‌کند. BidReady AI در واقع به عنوان یک پروژه برای چالش هفته دوم Hacktoberfest با عنوان «Side Hustle» توسعه یافته است. هدف این ابزار هدف قرار دادن یک فرصت تجاری خاص است: کاهش حجم کارهای تکراری بررسی اسناد برای کسانی که تیم تحلیل مناقصه اختصاصی ندارند.
مشتریان بالقوه این سیستم عبارتند از:
- پیمانکاران کوچک و شرکت‌های MSME.
- مشاوران مستقل تدارکات و مناقصات.
- کسب‌وکارهایی که به طور منظم مناقصات دولتی را ارزیابی می‌کنند.
طبق مستندات این پروژه در وب‌سایت dev.to، این سیستم از یک خط لوله تحلیل ترکیبی (Hybrid Analysis Pipeline) استفاده می‌کند تا دقت را تضمین کند. برای جلوگیری از مشکل «جعبه سیاه»، این ابزار تفسیرهای هوش مصنوعی را از منطق سخت ریاضی و منطقی جدا کرده است.
جزئیات فنی
معماری فنی این ابزار به شرح زیر است:
- فرانت‌اند: توسعه‌یافته با React، TypeScript، Vite و Tailwind CSS برای ایجاد رابط کاربری سریع و واکنش‌گرا.
- بک‌اند: قدرت گرفته از Python، FastAPI و Pydantic، با استفاده از SQLite برای ذخیره‌سازی محلی داده‌ها.
- پردازش اسناد: استفاده از کتابخانه PyMuPDF برای استخراج متن، در حالی که ردیابی دقیق در سطح صفحه (Page-level Traceability) را حفظ می‌کند.
- تست: توسعه‌دهنده برای شناسایی مشکلات پیش از استقرار، تست‌های خودکار در بک‌اند و بررسی‌های ساختاری (Build Checks) در فرانت‌اند را پیاده‌سازی کرده است.
قابلیت‌های کلیدی
قابلیت‌های اصلی این سیستم عبارتند از:
- استخراج الزامات: ابزار می‌تواند شرایط صلاحیت، گواهینامه‌ها و معیارهای مالی را شناسایی کرده و متن‌های بدون ساختار را به یک جریان کاری منظم تبدیل کند.
- ردیابی سطح صفحه: هر مورد استخراج شده به صفحه منبع در سند اصلی متصل است تا کاربر بتواند صحت آن را مستقیماً در سند اصلی چک کند.
- اعتبارسنجی قطعی: محاسبات مالی توسط منطق صریح برنامه انجام می‌شود، نه توسط مدل زبانی بزرگ (LLM) — که مثل کتابخانه‌داری است که میلیاردها صفحه خوانده و حالا با همان لحن جواب می‌دهد — تا از توهم (Hallucination) یا ساختن اطلاعات نادرست توسط مدل جلوگیری شود. این رویکرد مشابه سیستم‌های تأیید خودکار در قراردادهای هوشمند است که در آن‌ها بازبینی‌های دستی و خطاهای انسانی با لایه‌های اعتبارسنجی دقیق جایگزین شده‌اند.
- بررسی شواهد: کاربران می‌توانند الزامات استخراج شده را با اطلاعات موجود در شرکت خود مقایسه کنند تا موارد تأیید شده، مفقود یا نامشخص مشخص شوند.
- گزارش‌دهی عملیاتی: با استفاده از ReportLab، یک گزارش تحلیل PDF ساختاریافته تولید می‌شود تا به کاربران در شناسایی شکاف‌های صلاحیت کمک کند.
- مدیریت پروژه: یک داشبورد اختصاصی به کاربران اجازه می‌دهد تحلیل‌های خود را ذخیره کرده و در آینده به آن‌ها بازگردند.
این انتخاب در طراحی — یعنی جداسازی تفسیر به کمک هوش مصنوعی از بررسی‌های قطعی — بسیار حیاتی است. در حالی که یک مدل زبانی به درک زبان‌های حقوقی پیچیده کمک می‌کند، اما ابزار حاضر نیست هوش مصنوعی را به عنوان تنها منبع حقیقت برای ریاضیات مالی بپذیرد.
برای کاربر، این به این معناست که هوش مصنوعی پیشنهاد می‌دهد یک شرط مالی در کجا قرار دارد، اما منطق برنامه تأیید می‌کند که آیا عدد مورد نظر با شرایط شرکت مطابقت دارد یا خیر. این رویکرد ترکیبی ریسک «صلاحیت توهمی» را کاهش می‌دهد؛ وضعیتی که در غیر این صورت ممکن بود یک کسب‌وکار را به شرکت در مناقصه‌ای ترغیب کند که از نظر قانونی صلاحیت برنده شدن در آن را ندارد.
به نقل از توسعه‌دهنده، لایه مدل در این ابزار قابل جایگزینی است. این یعنی ابزار به یک ارائه‌دهنده واحد هوش مصنوعی وابسته نیست و کاربر می‌تواند مدل‌های مختلف LLM را روی یک سند تست کند تا ببیند کدام‌یک دقیق‌ترین استخراج را ارائه می‌دهد. این رویکرد نوآوری باز، بازرسی منطق برنامه و تطبیق جریان کاری با نیازهای مختلف تجاری را آسان‌تر می‌کند. در نهایت، کسب‌وکارهای کوچک می‌توانند تکراری‌ترین بخش تدارکات را بدون نیاز به تیم تحلیل اختصاصی اتوماتیک کنند و نقش انسان را از «جست‌وجوی الزامات» به «ارزیابی تناسب استراتژیک» تغییر دهند.
نقشه راه آینده
برای بهبود بیشتر ابزار، توسعه‌دهنده قصد دارد موارد زیر را بررسی کند:
- مدیریت بهتر PDFهای اسکن شده و اسنادی که بر پایه تصویر هستند.
- تعریف قوانین صلاحیت جامع‌تر و تخصصی‌تر برای انواع مناقصات.
- تقویت سیستم اثبات منبع (Provenance) و تأیید شواهد.
- بهبود پشتیبانی از جریان‌های کاری متنوع تدارکات و فرمت‌های مختلف مناقصه.
- ارزیابی در دنیای واقعی و دریافت بازخورد از متخصصان تدارکات.
کاربران علاقه‌مند می‌توانند ابزار را از طریق استقرار در Vercel تست کرده یا کد کامل آن را در GitHub بررسی کنند.
گام بعدی شما
- اگر پیمانکار هستید، کد این پروژه را از GitHub دریافت کرده و روی اسناد قدیمی خود تست کنید.
- برای کاهش خطای استخراج، مدل‌های مختلف LLM را در لایه جایگزین مدل امتحان کنید.
- خروجی‌های PDF را با اسناد اصلی مقایسه کنید تا دقت ردیابی صفحات را بسنجید.
اما چالش اصلی در پردازش اسناد اسکن شده است؛ برای درک نحوه تبدیل تصاویر به متن دقیق، تحلیل ما درباره‌ی مدل‌های OCR پیشرفته را بخوانید.
گفتگو