ML · 5 λεπτά ανάγνωσης
Γιατί το P(win) δεν είναι ακόμη production
30 Οκτωβρίου 2026 · Infosphere Technologies
Ένα ποσοστό όπως «68% πιθανότητα νίκης» φαίνεται απλό. Στην πραγματικότητα απαιτεί μια αλυσίδα υποθέσεων: ότι ξέρουμε ποιοι συμμετείχαν, ποιοι κέρδισαν, γιατί δεν συμμετείχε κάποιος, ότι το δείγμα μοιάζει με το επόμενο tender και ότι το μοντέλο παραμένει βαθμονομημένο στον χρόνο. Αν λείπει ένας κρίκος, το νούμερο είναι διακοσμητικό, όχι απόδειξη.
Γι' αυτό το TenderSense αντιμετωπίζει το P(win) ως research preview, όχι ως εμπορική πρόβλεψη. Δεν σημαίνει ότι το πρόβλημα είναι άλυτο. Σημαίνει ότι η σειρά των βημάτων έχει σημασία.
1. Το outcome δεν είναι πάντα γνωστό
Για να βαθμονομηθεί ένα μοντέλο, χρειάζεται το πραγματικό αποτέλεσμα: ποιος υπέβαλε, ποιος κέρδισε, ποιος αποκλείστηκε και ποιος δεν συμμετείχε. Τα δημόσια μητρώα δεν τα δίνουν πάντα όλα στην ίδια μορφή. Τα demo outcomes δεν μετράνε. Χρειάζονται πραγματικές, επαληθευμένες εκβάσεις.
2. Το aggregate κρύβει τα segments
Ένα Brier score μπορεί να φαίνεται αποδεκτό συνολικά και να αποτυγχάνει σε συγκεκριμένες αρχές, CPV ή μεγέθη σύμβασης. Αν το μοντέλο είναι καλό στα μεγάλα έργα και κακό στα μικρά, ο μέσος όρος δεν σώζει την απόφαση. Η αξιολόγηση πρέπει να γίνεται ανά segment, με αρκετό n σε κάθε ομάδα.
Στα δικά μας backtests, η aggregate βελτίωση δεν αρκούσε: υπήρχαν segments με δεκάδες αποτυχίες βαθμονόμησης. Γι' αυτό δεν άνοιξε production flag.
3. Ο χρόνος αλλάζει τη συμπεριφορά
Οι τιμές, οι ανταγωνιστές, οι κανόνες και η ζήτηση αλλάζουν. Ένα μοντέλο που εκπαιδεύτηκε σε παλαιότερη περίοδο μπορεί να χάσει βαθμονόμηση όταν αλλάξει η αγορά. Χρειάζεται χρονική επικύρωση σε περίοδο που δεν έχει χρησιμοποιηθεί για training ή calibration.
4. Το «δεν υπέβαλε» δεν είναι ήττα
Ένα no-bid δεν είναι πάντα αρνητικό outcome. Μπορεί να είναι σωστή απόφαση. Αν το μοντέλο μάθει ότι «όποιος δεν υπέβαλε έχασε», τιμωρεί την επιλεκτικότητα. Το outcome πρέπει να ορίζεται με προσοχή, αλλιώς το μοντέλο βελτιστοποιεί το λάθος πράγμα.
Τι κάνουμε αντί γι' αυτό
- Δείχνουμε rank-only σήματα και evidence, όχι βαθμονομημένη πιθανότητα.
- Κρατάμε prediction ledger και μετράμε όταν ωριμάσουν οι εκβάσεις.
- Δεν δημοσιεύουμε Brier πριν από επαρκές, αντιπροσωπευτικό δείγμα.
- Απαιτούμε calibration ανά segment και πλήρη περίοδο αξιολόγησης πριν από οποιοδήποτε production claim.
- Διατηρούμε human sign-off: το μοντέλο δεν αποφασίζει μόνο του.
Τι θα άλλαζε την ετυμηγορία
Πραγματικά outcomes, επαρκές n, calibration ανά segment, χρονική επικύρωση σε αόρατη περίοδο και ανθρώπινη έγκριση. Μέχρι τότε, η σωστή στάση δεν είναι «λιγότερη διαφάνεια» — είναι περισσότερη ακρίβεια στη γλώσσα.