AI இயந்திரங்கள் தகவல்களைப் படிக்கவும், பிரித்தெடுக்கவும், ஒப்பிடவும் முடியும், மேலும் அவை பெரிய அளவில் செயல்படுவதோடு, மனிதர்களின் மதிப்பாய்வுக்காக அசாதாரணங்களைக் குறிக்கவும் முடியும்.
இந்தியாவின் டிரில்லியன் ரூபாய் கொள்முதல் சுற்றுச்சூழல் அமைப்பில், வெளிப்படைத்தன்மை, பணத்திற்கான மதிப்பு மற்றும் வேகம் ஆகியவை மிக முக்கியமானவை. ஒப்பந்தப் புள்ளிகள் இந்த அமைப்பின் மையமாகும். இந்த அளவு மிகப் பெரியது. ஒன்றிய, மாநில மற்றும் பொதுத்துறை நிறுவனங்களின் கொள்முதல் மொத்த உள்நாட்டு உற்பத்தியில் கிட்டத்தட்ட 20-22 சதவிகிதம் ஆகும்.
இது பாதுகாப்பு, சுகாதாரம், கிராமப்புற மின்மயமாக்கல் மற்றும் அதிவேக ரயில் ஆகியவற்றை ஆதரிக்கிறது.
இந்த இயந்திரமயமான செயல்பாட்டின் பின்னால் பெரும்பாலும் புறக்கணிக்கப்படும் ஒரு அம்சம் உள்ளது: மதிப்பீட்டின் கடினமான தன்மை. டெண்டர்களை ஆய்வு செய்யும் பொறுப்பு வகிக்கும் அதிகாரிகள், ஆயிரக்கணக்கான பக்கங்களை ஆராய்ந்து — தகுதியைச் சரிபார்த்து, சான்றிதழ்களை உறுதிப்படுத்தி, ஏலங்களை ஒப்பிட்டு — கடுமையான காலக்கெடுவுக்கு மத்தியில் பணியாற்றுகின்றனர். GeM போன்ற தளங்கள் முன்பக்கத்தை டிஜிட்டல் மயமாக்கியிருந்தாலும், பின்பக்கம் இன்னும் விரிவான ஆவணங்களைச் சார்ந்தே உள்ளது.
மதிப்பீட்டு சவால்
FY24-ல் மட்டும், ஒரு கோடிக்கும் அதிகமான தயாரிப்புப் பட்டியல்கள் மற்றும் 65,000 பதிவு செய்யப்பட்ட அரசாங்க வாங்குபவர்களுடன் ₹3 லட்சம் கோடி மதிப்புள்ள பொருட்கள் மற்றும் சேவைகளை GeM செயலாக்கியது. ஒவ்வொரு ஒப்பந்தப் புள்ளியும் அதன் நோக்கத்தைப் பொறுத்து 5 முதல் 25 ஏலங்களைப் பெறுகிறது. விற்பனையாளர்கள் சட்டப்பூர்வ, தொழில்நுட்ப மற்றும் நிதி ஆவணங்களைப் பதிவேற்றுகிறார்கள். சில நேரங்களில், இந்த ஆவணங்கள் 2,000 க்கும் மேற்பட்ட பக்கங்களில் இயங்கின.
டிஜிட்டல் தளங்கள் அணுகலை மாற்றியமைத்தாலும், அடுத்த கட்டமாக தரவின் தெளிவான விளக்கத்தை செயல்படுத்துகிறது. ஏலதாரர்கள் ஆவணப் பதிவேற்றம், அதிகாரிகள் அவற்றைப் பதிவிறக்குகிறார்கள். ஆனால், மதிப்பீடு இன்னும் விரிவான ஆவணங்களைச் சார்ந்து இருக்கிறது. இதன் விளைவாக, அறிவாற்றல் சுமை சில நேரங்களில் நீண்ட காலக்கெடு மற்றும் கவனக்குறைவான பிழைகளுக்கு வழிவகுக்கும்.
இங்குதான் GenAI ஒரு திருப்புமுனையை வழங்குகிறது. தற்போதைய அமைப்பில், ஆப்டிகல் கேரக்டர் ரெகாக்னிஷன் (OCR) உடன் சொற்பொருள் பகுப்பாய்வை இணைப்பதன் மூலம், AI இன்ஜின்கள் தகவல்களைப் படிக்கவும், பிரித்தெடுக்கவும், ஒப்பிடவும் பெரிய அளவில் முடியும். மனிதர்களுக்கு நாட்கள் எடுக்கும் பணியை மணிகளில் குறைக்க முடியும், குறைவான பிழைகளுடன் மற்றும் அதிக வெளிப்படைத்தன்மையுடன். ஒரு AI முகவர் GeM, CPP அல்லது IREPS இலிருந்து நேரடியாக ஏலங்களை உள்வாங்கி, டர்ன்ஓவர் அல்லது சான்றிதழ்கள் போன்ற தகுதி அளவுகோல்கள் பூர்த்தி செய்யப்பட்டுள்ளதா என அடையாளம் கண்டு, இணக்க மேட்ரிக்ஸை உருவாக்கி, மனித ஆய்வுக்கு முரண்பாடுகளைக் குறிப்பிடுகிறது என்று கற்பனை செய்யுங்கள். ஒரு டாஷ்போர்டு ஒவ்வொரு விற்பனையாளரின் நிலையை சிவப்பு அல்லது பச்சை நிறத்தில் முன்னிலைப்படுத்துகிறது, இதனால் அதிகாரிகள் வழக்கமான சோதனைகளை விட விதிவிலக்குகளில் கவனம் செலுத்த முடியும்.
பரிந்துரைக்கப்பட்ட மதிப்பீட்டு நிலைகள்
இயந்திரம் வாசிக்கக்கூடிய ஏல இணைப்புகள் (Machine-Readable Bid Annexures (MRBA)) : ஏலதாரர்கள் வழக்கமான PDF உடன் கையொப்பமிடப்பட்ட JSON/XML தாளை சமர்ப்பிக்கலாம். இந்த தாளில் வருவாய், நிகர மதிப்பு, OEM சான்றிதழ்கள், BIS/ISO எண்கள், PAN/GST மற்றும் தொழிலாளர் பதிவுகள் போன்ற முக்கிய தகுதித் தரவுகள் உள்ளன. இது பாகுபடுத்தும் பிழைகளைக் குறைக்கிறது மற்றும் உறுதியான, விதி அடிப்படையிலான சோதனைகளையும் செயல்படுத்துகிறது.
நம்பகமான தரவு குறுக்கு சோதனைகள் (Trusted data cross-checks) : AI நேரடியாக அரசாங்க அமைப்புகளுடன் வாசிக்க-மட்டும் முறையில் (read-only mode) இணைக்க முடியும். எடுத்துக்காட்டுகளில், நிறுவன விவரங்களுக்கு MCA-21, பதிவு செல்லுபடியாகும் தன்மைக்கு GSTN, சட்டப்பூர்வ குறியீடுகளுக்கு EPFO/ESIC, உரிமங்களுக்கான BIS, MSME நிலைக்கான UDYAM மற்றும் வருவாய் சான்றிதழ்களுக்கு UDIN ஆகியவை அடங்கும்.
MRBA புலங்களின் சரிபார்ப்பு (Verification of MRBA fields) : இந்த புலங்களை உடனடியாக சரிபார்க்கலாம். இந்த அமைப்பு பொருத்தங்கள், பொருந்தாத தன்மைகள் அல்லது விதிவிலக்குகளைக் காட்டும் ஒரு பதிவை உருவாக்குகிறது.
உட்பிரிவில் இருந்து ஆதார திட்டமிடல் (Clause-to-evidence mapping (CEM)) : டெண்டர் உட்பிரிவுகள் கட்டமைக்கப்பட்ட வடிவத்தில் பதிவேற்றப்படுகின்றன. எடுத்துக்காட்டாக: "குறைந்தபட்ச சராசரி ஆண்டு வருவாய் ₹X; தேவையான ஆவணம்: தணிக்கை செய்யப்பட்ட நிதி Y/N."
AI ஆனது ஒவ்வொரு ஏலத்திலும் சரியான பக்கம் அல்லது சில செய்தியை முன்னிலைப்படுத்துகிறது. இது ஏலம் தேவையை பூர்த்தி செய்கிறதா அல்லது தோல்வியடைகிறதா என்பதைக் காட்டுகிறது. மேலும், இது மூல ஆவணங்களுக்கான இணைப்புகளுடன் ஒரு ஒப்பீட்டு அறிக்கையையும் உருவாக்குகிறது. இது ஒரு வெளிப்படையான மற்றும் தணிக்கைக்குத் தயாரான பாதையை உருவாக்குகிறது.
இடர் மற்றும் விதிவிலக்குகள் பதிவு (Risk and exceptions register (RER)) : வெளிப்படைத்தன்மையில்லா AI மதிப்பெண்களுக்குப் பதிலாக, கணினியானது சிக்கல்களின் காணக்கூடிய பதிவேட்டைப் பராமரிக்க முடியும். இந்த சிக்கல்களில் விடுபட்ட பக்கங்கள், காலாவதியான சான்றிதழ்கள், எண்கணிதப் பிழைகள் அல்லது வழக்கத்திற்கு மாறாக குறைந்த ஏலங்கள் ஆகியவை அடங்கும். பதிவிடப்பட்ட ஒவ்வொரு பொருளுக்கும் மனித முடிவு தேவை. இதில் ஏற்றுக்கொள்ளுதல், தெளிவுபடுத்தல் தேடுதல் அல்லது நிராகரித்தல் போன்றவை ஆகும். இது வழக்கமான பணிச்சுமையைக் குறைக்கும்போது பொறுப்புணர்வை பொறுத்துகிறது.
AI- தலைமையிலான விகித நியாயத்தன்மை (AI-led rate reasonability) : நியாயமான விலையைத் தீர்மானிப்பது, பெரும்பாலும் மிகவும் சிக்கலான பணியாகும். AI ஆனது GeM, CPP, IREPS மற்றும் மாநில அமைப்புகள் முழுவதும் உள்ள கொள்முதல் காப்பகங்களை சோதனை செய்து ஒப்பிடக்கூடிய படைப்புகளுக்கு கடைசியாக ஏற்றுக்கொள்ளப்பட்ட விகிதத்தை (Last Accepted Rate (LAR)) வெளியிட முடியும். புவியியல், பணவீக்கம், நோக்கம் மற்றும் அளவு ஆகியவற்றில் காரணியாக, இது ஒரு அளவுகோல் வரம்புடன் குழுக்களை வழங்குகிறது.
எடுத்துக்காட்டாக, கடந்த மூன்று ஆண்டுகளில் இந்திய இரயில்வே, CPWD மற்றும் PWDகளில் இதேபோன்ற பணிகளுடன் பரேலியில் ஒரு பிரிட்ஜ் டெண்டரை ஒப்பிடலாம். இந்த ஒப்பீடு பிராந்தியத்திற்கும் செலவு அதிகரிப்பிற்கும் ஏற்ப சரிசெய்யப்படுகிறது.
தேசிய கொள்முதல் தரவுத்தளம் (National procurement database) : 44 அமைச்சகங்கள் மற்றும் 36 மாநிலங்கள்/யூனியன் பிரதேசங்களில் 1,614 தரவுக்கான அடுக்குகளை ஒருங்கிணைக்கும் PM Gati Shakti திட்டங்களில், LAR-களின் மையப்படுத்தப்பட்ட கொள்முதல் தரவுத்தளத்தை உருவாக்க முடியும். இது AI-ன் கற்றல் தளத்தை விரிவுபடுத்துகிறது மற்றும் தரப்படுத்தல் மூலம் துல்லியமாகவும் தேசிய அளவில் பிரதிநிதித்துவமாகவும் இருப்பதை உறுதி செய்கிறது.
மனித தீர்மானத்தை மாற்றும் AI பற்றிய கவலைகள் தவறானவை. ஒரு ஒப்பந்தத்தில் யார் வெல்வார்கள் என்பதை AI தீர்மானிக்காது. அது பொதுவாக சிரமத்தை நீக்கும். பொறுப்புத்தன்மை எப்போதும் மதிப்பீட்டுக் குழுக்களிடம் இருக்கும். AI வெளியீடுகள் பூர்வாங்க சோதனைத்திரை அறிக்கைகளைப் போலவே கருதப்பட வேண்டும். அவை இணக்கமின்மையைக் குறிப்பதற்கு பயனுள்ளதாக இருக்கும். ஆனால் எப்போதும் மனிதர்களால் சரிபார்க்கப்பட வேண்டும். அரசாங்கமும், பொறுப்புகளை வரையறுக்கவும், தணிக்கைத் தடங்களை உறுதிப்படுத்தவும் தெளிவான வழிகாட்டுதல்களை வெளியிட முடியும்.
டெண்டருக்கு முந்தைய நிலைகளிலும் AI உதவ முடியும். இது RFPகளை வரையலாம். முரண்பாடான உட்பிரிவுகளை நீக்குதல் மற்றும் மதிப்பீட்டு வடிவங்களை தரப்படுத்துதல் ஆகும். உயர் அதிகாரி வருவாய் மற்றும் பலவீனமான நிறுவன நினைவகம் கொண்ட துறைகளில் இது குறிப்பாக மதிப்புமிக்கது.
AI-உதவியுடன் மதிப்பீடு செய்வதற்கு ஒரு படிப்படியான அணுகுமுறை, முதலில் முன்னோடித் திட்டங்கள் மற்றும் பயிற்சியுடன் தொடங்கி, GeM, CPP, IREPS போன்ற தளங்களை AI தொகுதிகளுடன் ஒருங்கிணைப்பது, தற்போதைய கொள்கை முயற்சிகளை நிறைவு செய்யும்.
எழுத்தாளர் இந்திய ரயில்வே கணக்கு சேவையில் உள்ளார்.