本文首发于《招标采购管理》2024年第6期。

一、引言

为规范和统一评标专家专业分类标准，切实提高评标活动的公正性，国家发展改革委等十部委2010年7月15日发布《关于印发评标专家专业分类标准（试行）的通知》（发改法规〔2010〕1538号，已废止），明确要求评标专家库应依据《评标专家专业分类标准(试行)》设置评标专家分类。

为整合专家资源，推动实现专家资源及专家信用信息全国范围内互联共享，2018年2月12日，国家发展改革委等十部委发布《关于印发〈公共资源交易评标专家专业分类标准〉的通知》（发改法规〔2018〕316号），要求评标专家专业分类实行全国统一编码，投入运行的各级各类评标专家库应依据《公共资源交易评标专家专业分类标准》(以下简称《标准》)及时调整评标专家分类。同时，明确在保证专家专业分类体系和专业代码统一的前提下，各地各部门可根据实际需要，选择使用《标准》中的相关专业，也可以对《标准》的专业作进一步补充和细化。在细化分类方面，规定《标准》专业类别划分过粗、不能满足评标专家抽取需要的，建库单位可按照其专业特点和需求，进一步设置四级及其以下专业类别和编码，并报国家发展改革委备案。

本文主要立足于招标投标事业发展现状，在充分调研行业专业人才分类和招标项目特点，以及部分省市评标专家库建设管理制度和措施的基础上，分析和探索人工智能技术在评标专家专业选择和项目抽取专业选择中的主要应用。

二、评标专家专业分类的发展现状

随着招标投标事业的发展，目前的国家专业分类标准已经不能够完全体现各行业的特点。例如国家专业分类标准中未包含石油化工工程涉及的装置主项分类等，不能够准确体现石油化工行业专业人才能力结构，造成专家选择专业不准确或与自身能力不匹配；招标人及其代理机构由于自身业务能力和不同行业的专业壁垒，不能按照工程项目特点准确设置抽取专业并精准抽取专家，造成抽取的专家不能满足项目评标评审需求或专业程度不够。

为满足各行业招标投标过程中对评标专家专业素质和能力的要求，国家在评标专家专业分类方面进行了大量的研究。招标投标方面，国家发展改革委等十部委2018年修订了《标准》，调整了部分专业分类名称，新增和细化了部分专业分类。政府采购方面，财政部2022年修订了《政府采购品目分类目录》，优化了货物类品目分类方式，新增了部分品目，删除了部分品目，如“不可移动文物”“无形资产”等。

各省、市级行业主管部门也对本行业重点领域的专家专业分类进行了细化和补充。例如湖南省住房和城乡建设厅针对城市建设行业专家进行统一管理，并对城镇燃气、城镇供水、排水与污水处理、市容环卫、道路桥梁、园林绿化、城市照明、海绵城市建设等领域进行了细分，支持主管部门的政策研究、评价评估、调研、应急处置等相关工作需要。又如深圳市科技创新委员会聚焦科技创新方面，以从事的产业集群对专家进行分类管理和应用，主要包括战略性新兴产业和未来产业，其中战略性新兴产业包含20个子类，未来产业包含8个子类，有力支撑了深圳市科技创新中心建设。

各社会组织也对本行业的专家专业进行了明确和规划。例如北京市司法鉴定业协会针对鉴定领域专家进行了分类，主要包括法医临床、法医病理、法医物证、法医精神病、法医毒物、文书、痕迹、微量物证、电子数据、录音、图像、环境损害、交通事故痕迹等，并在此基础上开展团体标准制定，推动了司法鉴定事业高质量发展。

综上，各行业主管部门或自律组织均按照本行业实际管理工作需要，有针对性地开展专业人才分类管理和人才智库建设，支持和推动本行业发展。

三、人工智能的关键技术

人工智能（Artificial Intelligence，简称AI）指的是使计算机系统能够通过学习、推理、判断等方式来模拟人类智能的一门科学技术，其核心是通过算法帮助计算机理解和处理人类的语言、图像、声音等信息，并从中提取特征和规律，进行分类、预测和判断等任务，最终赋能计算机像人类一样学习、推理、决策和执行。随着科技的飞速发展，人工智能技术主要有六个方向。

（一）机器学习

机器学习是人工智能领域的重要分支，其目标是使计算机能够从数据中自行学习，而无需进行明确的编程。通过使用算法和统计模型，机器学习可以识别模式并进行预测。在众多应用中，包括推荐系统、自然语言处理和计算机视觉等领域，都可以见到机器学习的身影。

（二）深度学习

深度学习是机器学习的一个子集，它利用神经网络模型进行学习。深度学习的出现，使得计算机能够处理更加复杂和抽象的任务，例如图像识别、语音识别和自然语言理解等。通过训练，深度神经网络能够从大量数据中提取有用的特征，从而实现高度准确和高效的任务处理。

（三）自然语言处理

自然语言处理(Natural Language Processing，简称NLP)技术是实现人与计算机之间用自然语言进行交流的学科。目前，NLP技术已经广泛应用于语音识别、机器翻译、聊天机器人等领域。通过NLP技术，计算机可以理解和生成人类语言，从而更好地与人类进行交互。

（四）计算机视觉

计算机视觉是研究如何使计算机具备人类视觉系统功能的学科。它涉及图像处理、特征提取、模式识别等多个领域。在现实应用中，计算机视觉技术被广泛应用于人脸识别、自动驾驶、工业自动化等领域。

（五）语音识别

语音识别技术是指将人类语音转换为计算机可读的文本或命令的技术。语音识别技术涉及声音的采集、预处理、特征提取、模式匹配等多个环节。随着智能语音助手和语音搜索等应用的普及，语音识别技术已成为人工智能领域的重要分支。

（六）知识表示与推理

知识表示与推理是人工智能领域的一种重要技术，它涉及如何将知识以适当的形式表示出来，并利用这些知识进行推理和决策。知识表示与推理在专家系统、自然语言理解等领域有着广泛的应用，通过将知识表示为计算机可理解的格式，并利用推理规则进行推理，可以实现基于知识的决策和问题解决。

综上，人工智能的主流技术包括机器学习、深度学习、自然语言处理、计算机视觉、语音识别和知识表示与推理等。这些技术的不断发展与应用，为人工智能领域的进步提供了强大的支撑。此外，还有跨媒体分析推理技术、智适应学习技术、群体智能技术、智能芯片技术等，也是人工智能的重要技术。这些技术的综合应用，推动了人工智能的发展，有望为构建智慧社会作出重要贡献，创造更美好的未来。

四、人工智能在评标专业推荐中的应用方法

随着招标投标事业的发展，“专业选择困难”“专家不专”等问题逐渐显现，对专家与专家库管理提出了更高的要求。因此，利用人工智能技术解决管理过程中的问题，将逐渐成为发展趋势。

近年来，推荐系统作为人工智能技术应用的重要领域，取得了显著的进展。其基本原理在于通过对用户历史行为和兴趣进行分析，构建用户的个人模型，并根据用户模型推荐内容和产品。

在招标投标行业中，以向评标专家推荐专业为例，常见推荐算法和可应用的人工智能技术如下：

（一）协同过滤算法

协同过滤算法是推荐系统的经典算法之一，通过分析专家的履历和能力相似性，找到专家之间的关联性，从而推荐相似专家的评标专业。人工智能技术在协同过滤算法中发挥着重要作用，特别是机器学习和深度学习技术的应用，使得推荐的准确性和个性化程度得到了极大提升。

（二）内容过滤算法

内容过滤算法是将内容和产品的特征向量化，根据专家的履历和能力进行匹配推荐的一种方法。通过机器学习和自然语言处理技术，可以对专家信息进行自动分类和标签化，从而推荐与专家相关的评标专业。

（三）混合推荐算法

混合推荐算法是将多种推荐算法进行融合，综合利用各种算法的优点，提高推荐系统的准确性和个性化程度。人工智能技术在混合推荐算法中的应用主要体现在算法的自动选择和加权分配上，通过对专家履历和能力的分析，智能地选择合适的推荐算法进行推荐。

（四）强化学习技术

强化学习技术是一种机器学习方法，通过智能体与环境的交互来学习最优策略。在推荐系统中，通过强化学习技术，可以根据专家对推荐结果的反馈、系统对推荐结果的反馈，智能地调整推荐策略，提高专业推荐的准确性和效率。

同理，在推荐抽取专业时，可采用相同的方式构建推荐系统，通过分析项目的招标内容和需求，向招标人或其招标代理机构推荐合适的专家抽取专业。

五、人工智能在专业推荐中的挑战

尽管人工智能技术在推荐系统中的应用取得了重要的进展，但仍然存在一些挑战需要克服。

（一）数据隐私问题

推荐系统需要大量的专家数据或项目数据来进行模型训练和推荐计算，但同时也引发了隐私和数据安全的问题。如何在保护隐私的前提下有效利用数据，是当前亟待解决的问题之一。

（二）冷启动问题

推荐系统需要有足够的专家数据或项目数据来进行推荐，但对于新系统或新环境而言，缺乏专家数据或项目数据会导致推荐的准确性下降。如何解决冷启动问题并提高推荐质量，是一个需要解决的难题。

（三）算法鲁棒性问题

推荐系统中的算法需要具备鲁棒性，对于不同专家、不同项目、不同情境下的推荐需求能够适应和响应。如何提高算法的鲁棒性以满足多样化场景需求，是一个需要关注的重点。

六、人工智能在专业推荐中的应用路线

（一）专业推荐应用规划路线

考虑招标投标行业中专家管理与开评标管理的现状，结合人工智能技术的发展现状，可以分阶段推进人工智能技术在专业推荐中的应用。

1. 第一阶段

在结构化专家履历和能力数据、结构化招标项目数据的前提下，利用协同过滤算法，构建专家评标专业推荐模型、项目抽取专业推荐模型，以大量历史数据为基础，对模型进行调整和优化，实现向评标专家推荐评标专业范围，并由评标专家进行确认，同时实现向招标人或其招标代理机构推荐抽取专业范围，并由招标人或其招标代理机构进行确认（见图1）。

本阶段主要是实现推荐评标专业范围，减少评标专家、招标人或其招标代理机构选择专业的盲目性，在一定程度上提高专业选择的效率和准确性。

2. 第二阶段

通过大量非结构化的评标专家履历和能力数据、招标项目数据，利用自然语音处理技术，提取专家特征或项目特征，构建和训练专家特征与评标专业模型、项目特征与抽取专业模型，利用机器学习、深度学习技术对模型进行训练，实现精准推荐评标专业、抽取专业（见图2）。

本阶段主要是实现根据模糊的专家信息或项目信息，准确推荐评标专业或抽取专业，建立招标投标行业普遍适用的专业推荐模型，并可进行复制推广。

3. 第三阶段

在实现前两个阶段目标的基础上，综合专家评标专业推荐和项目抽取专业推荐的技术实现路径和方法，直接向招标人或其招标代理机构推荐评标专家，替代评标专家库中抽取专家的机制。

本阶段主要是基于大量的应用实践的基础，对现有评标专家聘用过程进行优化，有利于提高评标专家的专业性、准确性以及提升招标投标活动的效率。

（二）人工智能技术实现路线

在人工智能技术的具体应用过程中，主要包括以下八个步骤。

1.数据收集

推荐系统的运作需要大量数据作为支撑。向专家提供评标专业推荐的应用需要专家履历和能力数据、专家评标专业数据等，可通过与评标专家库管理单位建立合作，获得数据授权；向招标人或其招标代理机构推荐抽取专业的应用需要招标项目数据、招标项目抽取专业数据等，可通过与公共资源交易平台运行管理单位建立合作，获得数据授权。同时，通过各种技术和手段，将数据进行整合和处理。

2. 特征提取

通过对数据进行深入分析和挖掘，提取出能够反映专家履历和能力的特征以及招标项目的特征。这些特征可以包括专家的基本信息、学历、工作经历、职称与职业资格、业绩行为等，也可以包括招标项目的类型、行业领域、技术要求、招标内容等。

3. 模型构建

基于提取的特征，利用机器学习、深度学习等技术构建推荐模型。这些模型可以适用于协同过滤、内容推荐、混合推荐等不同算法。

4. 模型训练

利用大量的训练数据对模型进行训练，调整模型参数，提高模型的准确性和稳定性。

5. 模型评估

对训练好的模型进行评估，通过准确率、召回率、F1值等指标对模型性能进行量化评估。

6. 模型优化

根据模型评估结果，对模型进行优化和改进。其中包括改进特征提取、调整模型参数、采用更先进的算法等。

7. 上线应用

将优化后的模型部署到线上环境，提供实时推荐服务。同时，需要定期对模型进行更新和调整，以适应数据分布的变化和业务需求的变化。

8. 反馈循环

通过收集各方反馈和线上数据，对模型进行持续的优化和更新，形成一个持续改进的闭环。

在整个应用过程中，需要综合考虑业务管理要求、新技术接受程度、数据来源、数据规模、数据质量、算法复杂度、实时性要求等多个因素，根据具体情况选择合适的算法和技术，以实现推荐目标。

七、总结与展望

人工智能技术在招标投标领域的应用必将是全局性的，所以站在整个招标投标领域的视角来看，其进程也许会有快有慢，但是最终必将达到一个新的平衡。人工智能技术的落地应用，将会加速招标投标行业发展，使招标投标从程序价值向结果价值转变。同时，由于凡事皆有成本，人工智能的引入必然会带来一些新的问题，如增加招标成本、管理难度和数据风险等。在今后的工作中，应深入研究人工智能技术的应用场景，解决人工智能技术应用带来的问题和风险，实现风险与效益之间的平衡。

总之，人工智能技术已来，招标投标变革将至，我们能做的就是接纳它、了解它、掌握它和用好它，加快完成从“互联网+”到“人工智能+”的转变，积极培养和发展招标采购领域的新质生产力。