Nghiên cứu ứng dụng mạng Nơtron nhân tạo hỗ trợ công tác chọn thầu thi công ở Việt Nam

Nội dung text: Nghiên cứu ứng dụng mạng Nơtron nhân tạo hỗ trợ công tác chọn thầu thi công ở Việt Nam

1. Nghiên cứu ứng dụng mạng nơtron nhân tạo hỗ trợ công tác chọn thầu thi công ở Việt Nam I. Đặt vấn đề Công tác đấu thầu trong XD tuỳ thuộc vào nhiều yếu tố. Trong đó có cả các đặc điểm của dự án lẫn các tình huống biến động khác. Đôi khi việc chọn thầu còn tuỳ thuộc vào kinh nghiệm và trực giác của các chuyên gia. Mạng nơtron nhân tạo tỏ ra là một công cụ hữu hiệu để có thể ứng xử với các vấn đề phức tạp và không cấu trúc như thế này. Những nghiên cứu ban đầu về mạng nơtron nhân tạo, các quy chế đấu thầu ở Việt Nam: Nghị định Chính phủ 88/NĐ-CP, 14/NĐ-CP, 66/NĐ-CP dẫn đến hình thành chương trình sofware mới về chọn thầu. Sofware mang tính chất nghiên cứu có thể ứng dụng và bước đầu sẽ là những ứng dụng trí tuệ nhân tạo trong các lĩnh vực thuộc ngành XD ở Việt Nam. Bài báo sẽ giới thiệu một nghiên cứu ứng dụng công cụ trí tuệ nhân tạo: Mạng nơtron nhân tạo - Artificial Neutral Network (ANN) để thiết kế một phần mềm hệ chuyên gia cho mục đích hỗ trợ công tác chọn thầu theo quy trình đấu thầu ở Việt Nam. II. Phạm vi và đối tượng nghiên cứu Để có thể hỗ trợ cho công tác chọn thầu, thì việc đầu tiên là phải tìm hiểu quy trình, quy chế và các dữ liệu chọn thầu của Việt Nam. Các công trình được xem xét là các công trình dân dụng, loại nhà ở, khách sạn, văn phòng vì tính phổ biến của chúng. Quy mô công trình được nghiên cứu là các công trình thực hiện ở Việt Nam có giá trị dưới 200 tỷ đồng. Các công trình xây lắp có giá trị từ 200 tỷ đồng trở lên là khá hiếm ở Việt Nam và phải tiến hành đấu thầu theo một quy trình dài hơn một chút là đấu thầu hai giai đoạn. Bên cạnh đó, với các công trình có giá trị lớn hơn 200 tỷ đồng thì hiển nhiên là việc đấu thầu sẽ được tiến hành bởi các chuyên gia hàng đầu, việc hỗ trợ bằng máy tính là công cụ bổ sung cần thiết. Công cụ trí thông minh nhân tạo ANN được áp dụng để mô phỏng cách thức ra quyết định của các chuyên gia. Do vậy, lý thuyết ANN sẽ được xem xét ở mức độ tìm hiểu ứng dụng. Để thiết kế công cụ hỗ trợ chọn thầu, ngôn ngữ lập trình JAVA cũng được áp dụng. III. Nội dung nghiên cứu 1. Giới thiệu ANN và tình hình ứng dụng Riêng về mảng đấu thầu, chọn thầu, có một vài chương trình nhỏ được rao bán trên mạng. Chủ yếu sử dụng cho các khu vực quốc gia cụ thể với các qui trình, qui định đặc trưng. Các phần mềm hỗ trợ đấu thầu có ứng dụng Artifical Intelligence thì hầu như chưa thấy xuất hiện
2. hoặc rất hiếm và khó truy tìm, tiếp cận. Ngay cả một tổ chức chuyên ngành uy tín như ASCE tính đến tháng 10/2003 chỉ tập hợp được một báo cáo ứng dụng ANN để sơ tuyển nhà thầu cho bộ Bưu chính Hoa Kỳ. Nghiên cứu này lại khá đơn giản, tác giả sử dụng tám tiêu chí để đánh giá hồ sơ dự thầu (HSDT) sơ tuyển, cho điểm mỗi tiêu chí từ 1 đến 4 tương ứng với nhận xét chủ quan cảm tính là nhà thầu đáp ứng tiêu chí đó ở mức độ: kém, tạm, tốt, xuất sắc. Sau đó ANN sẽ dựa trên tập mẫu có sẵn để đánh giá đạt hay không. Cách đánh giá này có ưu điểm là đã bắt đầu ứng dụng ưu thế học từ dữ liệu mẫu của ANN để mô phỏng hàm rất phức tạp là suy nghĩ ra quyết định đạt hay không đạt của chuyên gia. Nhưng nhược điểm của phương pháp lại là việc tự người dùng phải chọn đưa các điểm số từ 1 đến 4 vào cho ANN đánh giá tiếp. Như vậy định nghĩa thế nào là đáp ứng kém để cho một điểm và tốt để cho ba điểm. Việc này lại đòi hỏi người lập dữ liệu cho ANN phải có trình độ, đánh giá nhà thầu theo từng tiêu chí một cách thuần thục, chính xác. Nhược điểm này của nghiên cứu đã làm lu mờ nội dung của báo cáo nghiên cứu nói trên. Trước đây các nhà nghiên cứu ứng dụng tin học, trí tuệ nhân tạo cho công tác chọn thầu ở Việt Nam vẫn còn bị bỏ ngỏ là do các quy trình, quy định và hồ sơ đấu thầu còn chưa chặt chẽ và luôn thay đổi, chưa được quy định và XD chuẩn xác. Hiện nay, quy chế đấu thầu của nước ta và trên thế giới nói chung đã khá tương đồng. Qua nhiều lần hiệu chỉnh, đến nay quy trình đấu thầu của Việt Nam đã dần hoàn thiện. Việc đánh giá, xét chọn nhà thầu ngày càng chặt chẽ và dần được chuẩn hoá. Do vậy, phạm vi nghiên cứu này sẽ không chú trọng vào việc phân tích cải tiến quy chế đấu thầu của Việt Nam nữa mà bắt đầu nghiên cứu ứng dụng công cụ hỗ trợ, cụ thể là ANN vào quá trình chọn xét thầu xây lắp công trình dân dụng ở Việt Nam. 2. Chọn thầu Quá trình chọn thầu có thể tóm gọn thành gồm 3 bước chính: Lập hồ sơ mời thầu (HSMT) và phát hành HSMT; nhận HSDT, đánh giá HSDT và trình duyệt kết quả đánh giá HSDT, thương thảo, ký hợp đồng. Bước 3 chỉ thuần tuý là thủ tục hành chính, trong phạm vi nghiên cứu chủ yếu, tập trung vào bước 1 & 2. Việc hỗ trợ, đề xuất một bộ HSMT cho một công trình, gói thầu (dù chỉ là để tham khảo và hoàn thiện thêm) là một cách đáp ứng thiết thực, hữu ích. Nhất là việc đề ra các qui định kỹ thuật, các điều khoản của yêu cầu tài chính cũng như các tiêu chuẩn đánh giá HSDT. Do vậy, bước 1 - Lập HSMT & phát hành HSMT - đối với CĐT là bước quan trọng trong quá trình chọn thầu. Ở bước 2 - Nhận HSDT & đánh giá HSDT - nếu phải thực hiện ở thời điểm 5 năm về trước thì quả thực là khá khó khăn và nhạy cảm. Tuy nhiên, từ 6/2003 đến nay, qua NĐ88/1999 và NĐ66/2003 bước này đã được quy định thực hiện một cách chuẩn hoá hơn, rõ ràng hơn. Các HSDT được đánh giá hầu như bằng các tiêu chí, điều kiện và thang điểm rõ ràng, đưa đến
3. một sự công bằng, khách quan và chính xác hơn cho bước này. Cụ thể hơn, HSDT hiện nay được đánh giá bằng các bảng tiêu chuẩn đánh giá đã đính kèm trong HSDT. Vậy, bước 2 bây giờ chỉ phụ thuộc vào bảng tiêu chuẩn đánh giá HSDT đã thiết kế trong HSDT được lập ở bước 1. Trong bước 2 - Nhận và đánh giá HSDT, công việc đánh giá HSDT có thể phân thành 3 giai đoạn chính sau: Giai đoạn 1: Đánh giá sơ bộ HSDT Giai đoạn 2: Đánh giá chi tiết HSDT Giai đoạn 3: Xếp hạng HSDT Giai đoạn 1 và giai đoạn 3 HSDT thực ra không khó khăn lắm đối với một kỹ sư bình thường. Tuy nhiên, ở giai đoạn 2 có 2 bước, bước 1 - Đánh giá về mặt kỹ thuật, bước 2 - Đánh giá về mặt tài chính thương mại. Ta thấy bước 2 chỉ thuần tuý là kiểm tra các bảng biểu giá dự thầu về đơn vị, sai số nhân chia cộng trừ, sai lệch khối lượng so với HSMT cho nên cũng dễ thực hiện, không cần nhiều kiến thức và kinh nghiệm. Trọng tâm của vấn đề đánh giá HSDT cuối cùng tập trung vào bước 1 của giai đoạn 2, đó là đánh giá HSDT vè mặt kỹ thuật. Công việc này đòi hỏi những người thực hiện phải có vốn kiến thức và kinh nghiệm thích hợp. Ví dụ: mức điểm cho tiêu chí về tiến độ của phần đánh giá chi tiết HSDT cho công trình A là 15 điểm trên 100 điểm tổng kỹ thuật. Việc trả lời cho các tiêu chí thì dễ, nhưng việc đưa ra mức điểm là 15 trên 100 thì dựa trên cơ sở nào? Tại sao là 15 mà không phải là 25 hay 11 ? Tại sao đối với công trình A thì là 15 còn đối với công trình B lại là 30 ? Có quy định, hướng dẫn nào cho việc xác định mức điểm này không? Câu trả lời là chưa! Vậy thang điểm để đánh giá HSDT về mặt kỹ thuật từ đâu mà có? Đó chính là từ kinh nghiệm, kiến thức và sự tư duy suy luận của các chuyên gia. Đến khi nào ta mô phỏng được quá trình tư duy của bộ não chuyên gia thì có lẽ ta sẽ có quy định thang điểm mang tính hướng dẫn và pháp ý cho công tác đánh giá HSDT này. 3. Mạng nơtron nhân tạo 3.1 Giới thiệu Công cụ được quan tâm trong nghiên cứu này là ANN, cũng chính vì khả năng mô phỏng và học hỏi mạnh mẽ của nó. ANN còn có thể mô phỏng gần như bất cứ hàm mục tiêu nào với số biến nhập và xuất tuỳ ý, ở thời điểm này thì có lẽ chưa có một phương pháp nào trước đây đạt được, chỉ riêng khả năng này của ANN đã là quá ấn tượng và đáng quan tâm. ANN còn là một ưu điểm tuyệt vời khác, đó là khả năng học. Một ANN gần giống như một đối tượng có thể tư duy. Mỗi khi có kiến thức mới (Data mới) ta lại đưa cho ANN. Khả năng
4. này của ANN là rất cần thiết cho các vấn đề có dữ liệu luôn thay đổi, cập nhật như vấn đề đấu thầu mà ta đang nghiên cứu.
5. 3.2. Lý thuyết toán ANN là một phương pháp mô hình hoá tập trung vào các bài toán phi tuyến (các hàm phức tạp như hàm ra quyết định chọn thầu là một ví dụ). Khả năng học của ANN chủ yếu dựa trên kỹ thuật lan truyền ngược. ANN lan truyền là một hàm phi tuyến có thể xấp xỉ gần đúng, nhưng một hàm đích được cho qua một số mẫu trong tập mẫu hình 1 sau đây sẽ minh hoạ một mạng lan truyền. Trong hình, mạng gồm 3 lớp (thực tế ANN cho việc hỗ trợ chọn thầu cũng sẽ có 3 lớp như thế này, nhưng kiến trúc cụ thể sẽ được nghiên cứu chi tiết trong phần sau): lớp nơtron nhập (input), lớp nơtron ẩn và lớp nơtron xuất (output). Mỗi nút - nơtron trong lớp nhập, phải nhận giá trị của một biến độc lập và chuyển vào mạng. Dữ liệu từ tất cả các nơtron trong lớp nhập được tích hợp - ta gọi là tổng trọng hoá và chuyển kết quả cho các nơtron ẩn. Gọi là “ẩn”, vì các nơtron trong lớp này chỉ liên lạc với các nơtron trong các lớp nhập và xuất, và chỉ người thiết kế mạng biết lớp này (người sử dụng mạng không biết lớp này). Tương tự, các nút - nơtron trong lớp xuất cũng nhận các tín hiệu tổng trọng hoá từ các nút ẩn. Mỗi nút - nơtron trong lớp xuất tương ứng một biến phụ thuộc. Mạng lan truyền chỉ có thể ở một trong hai trạng thái: - Trạng thái ánh xạ (ví dụ như tính toán ra các thông số cần thiết cho việc chọn thầu) - Trạng thái học (ví dụ như học các dữ liệu chọn thầu mẫu từ người dùng nhập vào) Trong trạng thái ánh xạ, thông tin lan truyền từ lớp nhập đến lớp xuất và mạng thực hiện ánh xạ để tính giá trị các biến phụ thuộc dựa vào các giá trị biến độc lập được cho: Y=NN(X). Trong trạng thái học, thông tin lan truyền theo hai chiều nhiều lần để học các trọng số. Trong trạng thái ánh xạ, mạng xử lý mỗi lần một mẫu để tính Y= NN(X). Giá trị các lớp trong nút ẩn và trong lớp xuất là giá trị của hàm lan truyền với tham số là tổng trọng hoá. Về mặt hình học, đồ thị của hàm truyền thống có dạng chữ S, nên ta gọi là hàm dạng S. Hình 2 minh hoạ đồ thị hàm truyền thông dụng g(u): Khi u= 0, g(0)= 0.5. Khi u tăng, g(u) tăng - nhanh lúc đầu nhưng rồi chậm hơn khi tiếp cận 1, đó là chăn trên của nó. Chặn dưới là 0. Về mặt toán học, hàm logistic được định nghĩa như sau:
6. trong đó e là cơ số logarit tự nhiên. Hắng số e có giá trị khoảng 2.71828 4. Thiết kế mạng ANN cho mục đích chọn thầu 4.1 Sơ đồ thiết kế ANN Bài toán này có đầu vào là dữ liệu về công trình, có kết xuất là các tiêu chí, thang điểm đánh giá HSDT. Các dữ liệu (số nút nhập) của ANN gồm có: a. Nhóm công trình: 5 nhóm Công nghiệp Cấp thoát nước, tuyến ống dẫn dầu, tuyến cáp thông tin bưu điện, đường dây tải điện. Nông nghiệp thuỷ lợi Giao thông Dân dụng b. Loại công trình của nhóm: từ 3 đến 8 phân loại cho một nhóm. c. Phân loại của loại công trình: từ 1 đến 5 phân loại cho một loại công trình. Do đó tổng số phân loại công trình lên đến hàng trăm d. Giá trị công trình (tỷ) e. Thời gian thi công (năm) Vậy trực quan ta có thể thấy rằng nên thiết lập một ANN có 5 nút nhập cho 5 dữ liệu vừa nên, có 25 nút xuất với 25 là số tiêu chuẩn đánh giá HSDT, số nút ẩn sẽ được nghiên cứu xác định trong quá trình XD và huấn luyện ANN sao cho hợp lý nhất (hình 3). Tuy nhiên, qua nghiên cứu thực nghiệm, nhận thấy một kiến trúc ANN với 5 nút nhập và khá nhiều nút xuất như vậy rất có thiết kế và nhất là rất khó huấn luyện. Kiến trúc rất cồng kềnh, thời gian luyện rất lâu, sai số giảm rất chậm và dĩ nhiên độ tin cậy không cao. Vì vậy, phải tìm một giải pháp nào đó để đơn giản hoá cấu trúc “bộ não” này, từ đó làm cho việc kiểm soát ANN trở nên dễ dàng & tin cậy hơn. 4.2. Giải pháp đơn giản hoá ANN thô ban đầu Nếu chú ý đến 3 dữ liệu đầu tiên của 5 dữ liệu thuộc lớp nhập ta nhận thấy rằng, ba dữ liệu này nhằm lọc công trình (dự án) thành 5 x 8 x 5 tương đương khoảng 200 phân loại công
7. trình. Thực tế về mặt lý thuyết ANN có thể hoàn thành nhiệm vụ tách lọc này. Nhưng ở mức độ nghiên cứu hiện tại và qua phân tích tình hình thực tế, ta chưa cần phải đưa phần lọc phân loại công trình này vào ANN. Có thể thế một bộ lọc bằng thuật toán lọc CASE cổ điển. Động tác lọc gần 200 phân loại công trình này theo 3 tầng lọc: Nhóm, Loại, Phân loại. Điều này thật sự đã làm kiến trúc của ANN nhẹ đi khoảng 60% và độ phức tạp đã giảm đi nhiều lần. Đến đây, đối với riêng từng ANN thì từ 5 dữ liệu cần cho 5 nút ẩn, ta chỉ còn cần 2 dữ liệu và2 nút ẩn tương ứng là: giá công trình và thời gian thi công. Thực ra, ta chỉ bớt khối lượng cho ANN bằng cách chuyển phần lọc dữ liệu nhập sang cho một bộ lọc thông thường. (hình 4) 5. Chương trình hỗ trợ chọn thầu Bidder Select 5.1 Khả năng và nguyên lý hoạt động của chương trình a. Khả năng: Chương trình được viết bằng ngôn ngữ Java, tiện lợi cho việc xuất bản sử dụng trên mạng Internet. Do vậy mang tính ứng dụng và phát triển cao. Chương trình sẽ ứng dụng ANN giúp người dùng trong các tác nghiệp chính của quá trình chọn thầu. Các Modules chính của chương trình là: 1. Lập HSMT 2. Đánh giá HSDT 3. Học (được huấn luyện) cách tư duy của các chuyên gia chọn thầu b. Nguyên lý hoạt động Các Module (processes) đặc thù cho xử lý thông tin, điều khiển chương trình, xuất nhập dữ liệu được nghiên cứu XD theo thuật toán và quy trình chọn thầu đã phân tích. Phần Module huấn luyện ANN có nguồn gốc từ một java engine (gói chương trình) do Paolo Maroone - một chuyên gia toán tin học - phát triển từ trước. 5.2. Sơ đồ hoạt động tổng quát của Bidder Select IV. Kết quả nghiên cứu Nghiên cứu đã XD được một phần mềm có khả năng hỗ trợ công đoạn khó khăn nhất và mang tính chuyên gia nhất trong quy trình tuyển chọn nhà thầu là quá trình đánh giá HSDT của họ.
8. Quan điểm, đánh giá HSDT của Bidder Select là động, có thể thay đổi, không cứng nhắc và bất biến như phần mềm thông thường khác. Ngoài ra, đối với từng công trình Bidder Select cũng sẽ cung cấp một HSMT hoàn chỉnh nhằm giúp dỡ các cán bộ chưa nhiều kinh nghiệm hoặc ngay cả các chuyên gia giàu kinh nghiệm cũng đôi khi cần tham khảo đến các đề xuất này để giảm bớt nguy cơ bỏ sót thông tin, quy định, hoặc ngay cả những nhầm lẫn không đáng có của mình. V. Nhận xét - kết luận Bộ HSMT mẫu được nghiên cứu đề xuất tuy chưa thực sự trở thành chuẩn nhưng đã được nghiên cứu chắt lọc, tổng hợp từ nhiều HSMT cùng loại và được tác giả soạn thảo tuân thủ các quy định hiện hành của quy chế đấu thầu Việt Nam. Về phần nghiên cứu ứng dụng trí tuệ nhân tạo, khởi đầu là một kiến trúc ANN kềnh càng và “khó bảo” với 5 nút nhập, 25 nút xuất và rất nhiều nút ẩn, nghiên cứu đã tìm tòi đề xuất một hệ ANN bao gồm tập hợp các ANN đơn giản nhưng rất hiệu quả cho việc mô phỏng chuyên gia chọn thầu. Cuối cùng, nghiên cứu tạo ra được một sản phẩm là công cụ chuyên gia ảo mang tính đặc trưng trí thông minh nhân tạo có khả năng hỗ trợ cho các cán bộ, chuyên gia trong quá trình xét chọn thầu ở Việt Nam. Điều này góp phần khẳng định tính khả thi của hướng nghiên cứu áp dụng trí tuệ nhân tạo nói chung, ANN nói riêng cho ngành XD. Cho dù đã cố gắng thu thập tài liệu và dữ liệu từ nhiều nguồn khác nhau như các sở KH&ĐT, các ban quản lý dự án, nhưng do tình hình khách quan và cũng do quy định bảo quản hồ sơ thầu theo Quy chế đấu thầu trong nước nên đối tượng của phần mềm trong nghiên cứu này chỉ mới dừng ở nhóm công trình dân dụng, loại nhà ở, khách sạn, văn phòng, trụ sở, trường học. Việc nghiên cứu bổ sung dữ liệu và HSMT mẫu là điều chắc chắn phải thực hiện nhằm hoàn thiện khả năng và tầm ứng dụng của chương trình. Nghiên cứu cố gắng đóng góp một phần nhỏ cho các nỗ lực áp dụng trí tuệ nhân tạo vào ngành kỹ thuật XD ở Việt Nam. (Nguồn tin: T/C Xây dựng, số 7/2006)