23 мая управляющий партнер компании Datanomix Виталий Тренкеншу выступил с докладом, который может изменить привычные правила игры в сфере B2B-продаж и госзакупок. На примере своего нового технологического проекта bids.do предприниматель и ИТ-архитектор показал, как сквозные AI-конвейеры (end-to-end pipelines) способны полностью автоматизировать рутинный анализ тендеров и подбор товаров из многотысячных каталогов поставщиков.
Главный инсайт выступления: классический поиск по ключевым словам в тендерных агрегаторах окончательно упёрся в тупик масштабирования. На смену «глупым» уведомлениям приходит эпоха глубокого семантического матчинга, где нейросети берут на себя чтение сложных технических спецификаций.
Главный инсайт выступления: классический поиск по ключевым словам в тендерных агрегаторах окончательно упёрся в тупик масштабирования. На смену «глупым» уведомлениям приходит эпоха глубокого семантического матчинга, где нейросети берут на себя чтение сложных технических спецификаций.
Почему классические агрегаторы больше не работают: боль рынка
В ходе доклада спикер наглядно описал операционный тупик, с которым сталкивается любой крупный поставщик. Обычный процесс работы выглядит как бесконечная рутина: менеджер настраивает в агрегаторе ключевые слова (например, «ноутбук»), получает лавину уведомлений, вручную открывает каждое техническое задание (ТЗ) и пытается сопоставить десятки требований заказчика с собственным прайсом.
Если у компании в каталоге 10 000 или 17 000 позиций, процесс полностью ломается. Спикер привел характерный пример: поставщик тратит часы на разбор спецификаций, но в 99% случаев лоты уходят «в мусорку», так как из-за одной несовпадающей характеристики товар не проходит по критериям. Без искусственного интеллекта эта задача масштабируется только бесконечным расширением штата тендерных специалистов, что экономически неэффективно.
Если у компании в каталоге 10 000 или 17 000 позиций, процесс полностью ломается. Спикер привел характерный пример: поставщик тратит часы на разбор спецификаций, но в 99% случаев лоты уходят «в мусорку», так как из-за одной несовпадающей характеристики товар не проходит по критериям. Без искусственного интеллекта эта задача масштабируется только бесконечным расширением штата тендерных специалистов, что экономически неэффективно.
Виталий Тренкеншу: > «Все работает только для ограниченного масштаба. А если у вас каталог товаров на 10 тысяч позиций — попробуйте настроить ключевые слова на 10 тысяч позиций».
Прорывной подход Bids.do: двухэтапный AI-конвейер
Проект Bids. do предлагает полностью перестроить этот процесс: система самостоятельно читает требования тендера и ищет идеальные совпадения в прайсе поставщика. Например, когда департамент полиции публикует тендер на закупку ноутбуков с 49 жесткими техническими параметрами, ИИ не просто ищет слово «ноутбук», а мгновенно фильтрует 17-тысячный прайс и выдает несколько конкретных позиций, которые гарантированно подходят под условия.
Чтобы сделать такую систему экономически жизнеспособной, команда Виталия Тренкеншу разработала двухэтапную архитектуру поиска:
Чтобы сделать такую систему экономически жизнеспособной, команда Виталия Тренкеншу разработала двухэтапную архитектуру поиска:
- Этап Retriever (Широкий поиск): Комбинация полнотекстового поиска (BM25) и векторного (семантического) поиска. Задача этого шага — максимально быстро и дешево сузить гигантский каталог товаров до 30−40 потенциальных кандидатов. Здесь важна широта охвата (recall), а возможный «мусор» отсеивается на следующем шаге.
- Этап Reranker (Глубокий анализ): Отобранные кандидаты вместе с текстом ТЗ передаются в большую языковую модель (LLM). Модель детально оценивает параметры и выносит финальный вердикт: подходит товар или нет.
Главные выводы и практическая польза доклада
Выступление Виталия Тренкеншу ценно реальным инженерным и бизнес-опытом, который развенчивает миф о том, что для решения сложных задач достаточно просто «закинуть данные в ChatGPT». Спикер выделил три ключевых вывода, которые принесут пользу как ИТ-разработчикам, так и коммерческим директорам:
1. Борьба с «черным ящиком» — ключ к доверию бизнеса
Бизнес-пользователи категорически не доверяют абстрактным ИИ-оценкам вроде «соответствие 85%». Критически важной фичей Bids. do стало то, что LLM генерирует развернутое текстовое обоснование своего решения. Менеджер видит, почему именно система выбрала этот товар или по какому конкретно пункту договора (включая сроки поставки, гарантии и остатки) позиция не подошла.
2. Оптимизация стоимости: ИИ должен быть рентабельным
При запуске системы лобовое попарное сравнение миллионов лотов с тысячами товаров привело к прогнозируемым затратам на токены в размере 19 миллионов долларов в год. Продукт спасли две архитектурные оптимизации:
- Внедрение предварительной фильтрации по категориям (отсечение непересекающихся рынков), что снизило затраты в 100 раз.
- Переход к Listwise Reranking (когда в модель отправляется запрос сразу со списком из 25 товаров в одном контексте), что сократило расходы еще в 6 раз.
3. Решение проблемы редких товаров через обогащение справочников
Стандартные ML-модели классификации пасуют перед бизнес-справочниками на 35 000 классов (extreme classification) из-за нехватки обучающих данных по редким позициям. Команда Bids. do решила проблему через ИИ-обогащение контекста. Система анализирует «семантических соседей» (классы, которые легко спутать) и на основе анализа 1 миллиона реальных техспеков формирует дискриминаторы — маркеры, которые жестко подтверждают или опровергают принадлежность товара к классу. Это позволило добиться точности в 85% даже на редких категориях.
Что дальше: концепция Data Flywheel
В финале выступления Виталий Тренкеншу отметил, что проект развивается по принципу Data Flywheel (маховика данных). Продукт активно использует AI-агентов для автоматизации процессов разработки, а каждая ошибка системы или загрузка нового прайса от поставщиков лишь сильнее обучает алгоритмы и делает справочники чище.
В ближайших планах Bids. do — еще сильнее снизить себестоимость поисковых вызовов, постепенно выводя дорогие LLM из первичных этапов матчинга и заменяя их более нормализованным сравнением структурированных характеристик.
Главный итог встречи: Автоматизация тендерных продаж на базе AI — это уже не концепт, а работающий бизнес-инструмент. Победу в закупках будущего одержат те компании, которые первыми заменят рутинный ручной поиск умными алгоритмическими конвейерами.
В ближайших планах Bids. do — еще сильнее снизить себестоимость поисковых вызовов, постепенно выводя дорогие LLM из первичных этапов матчинга и заменяя их более нормализованным сравнением структурированных характеристик.
Главный итог встречи: Автоматизация тендерных продаж на базе AI — это уже не концепт, а работающий бизнес-инструмент. Победу в закупках будущего одержат те компании, которые первыми заменят рутинный ручной поиск умными алгоритмическими конвейерами.