Implementación de un sistema de recomendaciones para licitación de contrataciones públicas en Ecuador basado en técnicas de Machine Learning explicables
No hay miniatura disponible
Fecha
2023
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Networking y Telecomunicaciones
Resumen
El presente estudio propone un sistema de recomendaciones para licitaciones de contrataciones públicas en Ecuador basado en técnicas de machine Learning explicables, utilizando algoritmos como Árbol de Decisión, Regresión Logística, Bosque Aleatorio, y técnicas de explicabilidad como LIME y SHAP.
El objetivo es mejorar la transparencia y la eficiencia en el proceso de selección de proveedores para contratos públicos, especialmente para las pequeñas y medianas empresa PYMES de Ecuador.
El sistema de recomendaciones utiliza técnicas de procesamiento de lenguaje natural y aprendizaje automático para analizar los documentos de la licitación y clasificar las necesidades del proyecto y los criterios de evaluación. Además, el modelo de machine Learning utilizado en el sistema es explicado, lo que ayuda a garantizar la imparcialidad y la transparencia en el proceso de selección de proveedores.
Para mejor la explicabilidad del modelo, se utilizan técnicas de LIME y SHAP, que permiten visualizar y comprender el impacto de cada variable en la decisión del modelo.
El sistema de recomendaciones propuesto puede ser una herramienta valiosa para las PYMES de Ecuador que buscan participar en contrataciones públicas de manera más eficiente y al mismo tiempo que se asegura la explicación del modelo utilizado para tomar decisiones.
En conclusión, este proyecto logró demostrar que el sistema que permite ver la interpretación de los datos de manera más sencilla y entendible es la técnica LIME, con modelo de clasificación Random Forest.
This study proposes a recommendation system for public procurement tenders in Ecuador based on explainable machine learning techniques, using algorithms such as Decision Tree, Logistic Regression, Random Forest, and explainability techniques such as LIME and SHAP. The goal is to improve transparency and efficiency in the supplier selection process for public contracts, especially for small and medium-sized enterprises (SMEs) in Ecuador. The recommendation system uses natural language processing and machine learning techniques to analyze tender documents and classify project needs and evaluation criteria. Additionally, the machine learning model used in the system is explainable, which helps ensure impartiality and transparency in the supplier selection process. To improve the explainability of the model, LIME and SHAP techniques are used, which allow visualizing and understanding the impact of each variable on the model's decision. The proposed recommendation system can be a valuable tool for SMEs in Ecuador looking to participate in public tenders more efficiently while ensuring the explainability of the decision-making model. In conclusion, this project has demonstrated that the system that allows for the interpretation of data in a simpler and more understandable way is the LIME technique, with a Random Forest classification model.
This study proposes a recommendation system for public procurement tenders in Ecuador based on explainable machine learning techniques, using algorithms such as Decision Tree, Logistic Regression, Random Forest, and explainability techniques such as LIME and SHAP. The goal is to improve transparency and efficiency in the supplier selection process for public contracts, especially for small and medium-sized enterprises (SMEs) in Ecuador. The recommendation system uses natural language processing and machine learning techniques to analyze tender documents and classify project needs and evaluation criteria. Additionally, the machine learning model used in the system is explainable, which helps ensure impartiality and transparency in the supplier selection process. To improve the explainability of the model, LIME and SHAP techniques are used, which allow visualizing and understanding the impact of each variable on the model's decision. The proposed recommendation system can be a valuable tool for SMEs in Ecuador looking to participate in public tenders more efficiently while ensuring the explainability of the decision-making model. In conclusion, this project has demonstrated that the system that allows for the interpretation of data in a simpler and more understandable way is the LIME technique, with a Random Forest classification model.
Descripción
PDF
Palabras clave
Licitaciones, Machine Learning, LIME, SHAP, Pymes