Больше данных, больше информации

Хотя термин «искусственный интеллект» существует уже несколько десятилетий, концепция приобрела совершенно новое направление только за последние несколько лет. Последняя волна разрушения PropTech началась почти пять лет назад с появлением машинного обучения и ранних этапов прогнозной аналитики.

По мере того, как компании стремятся использовать эти технологии, чтобы оставаться актуальными и использовать статистический анализ, как никогда раньше, новые алгоритмические достижения могут заменить разрозненные наборы данных, которые накопились за последние 20 лет на государственных веб-сайтах или на крупных платформах данных о недвижимости.

Хотя достижения ИИ в этом секторе, несомненно, существенно меняют текущий ландшафт PropTech, эта революция оказывается тихой, она не будет отражена в продуктах и ​​объемах данных, но нарушит и обновит интеллект и мысли, лежащие в основе существующих продуктов. и услуги.

Недвижимость исторически отставала от других отраслей с точки зрения технологических достижений и новых концепций, и, хотя это подтвердилось и в отношении ИИ, она, наконец, стала реальностью благодаря достижениям и возможностям, которые стали возможными благодаря машинному обучению и нейронным сетям.

Что такое машинное обучение?

Чтобы понять возможности прогнозной аналитики на рынке коммерческой недвижимости, важно понимать, какие технологии поставлены на карту. Используемые инструменты в основном основаны на проверенных и достоверных статистических методах, которые применяются в более сложных системах. Широкое использование и увеличение количества учебных материалов по машинному обучению, глубокому обучению или нейронным сетям позволяет новому поколению стартапов PropTech создавать статистические модели на более высоком уровне.

Машинное обучение - это разработка программ, которые могут изменяться при обращении к новым данным. Процесс машинного обучения аналогичен процессу интеллектуального анализа данных, поскольку обе системы ищут и просматривают данные в поисках закономерностей. Они отличаются тем, что вместо извлечения данных для понимания человеком машинное обучение использует эти шаблоны в данных для автоматической корректировки действий программы.

Это означает, что множественные регрессионные модели, используемые для прогнозирования чего-то вроде арендной платы, могут постоянно переоцениваться в режиме реального времени по мере поступления новых данных в систему.

Но ... как научить машину?

Все вышеупомянутые передовые статистические методы следуют очень похожему процессу обучения. Сначала происходит «фаза обучения», когда машина получает наборы данных и, по сути, «учится». Другими словами, он поглощает сложность наборов данных и пытается взвесить каждый фактор (то есть характеристики дома) на выходной стоимости (то есть цены на жилье).

После этого следует «этап тестирования», на котором предварительно обученная машина проверяется на наборе данных, выходные данные которого известны. Это позволяет нам наблюдать и отслеживать, насколько точно алгоритм предсказывает выходное значение. Это «этап прогнозирования», когда мы используем алгоритм, чтобы угадать выходное значение набора данных с неизвестным выходным значением.

Как это используется в сфере недвижимости?

К настоящему времени ведущие компании PropTech вложили много усилий, времени и денег в стабилизацию простых регрессионных моделей для завершения краткосрочного анализа. Прогностическая точность, которая возможна с помощью машинного обучения, полностью раздвигает границы прогнозирования. От нескольких месяцев до 10 лет способность предсказывать будущее сделок, рынков и ценообразования радикально меняет перспективы инвесторов.

Прогнозирование выводит принятие решений на совершенно новый этап, и на рынках недвижимости это меняет то, как люди покупают и продают недвижимость, когда мы говорим. Анализируя статистический смысл имеющихся данных, отрасль недвижимости теперь может увидеть вероятность успеха сделки.

Благодаря прогностическим возможностям, открывающим новые горизонты в развитии городов и недвижимости, целостность данных является ядром их целостности. Опираясь на более чистые и точные наборы данных, а также постоянно обучая и совершенствуя алгоритмы, определенные платформы смогут прогнозировать цены с большей точностью и детализацией с течением времени.

Текущие ограничения

Хотя прогнозирование вскоре должно изменить правила игры в отрасли недвижимости, большинство компаний в этой области все еще держатся за репутацию, основанную на более устаревших моделях отрасли. Традиционный подход к анализу рисков (расходование практически неограниченных ресурсов на технико-экономические обоснования) по-прежнему признан стандартным. Большинство инвесторов и игроков в сфере недвижимости одинаково доверяют старой системе и старым процессам и негативно реагируют на технический евангелизм.

Возможно, наиболее распространенной проблемой прогнозной аналитики является целостность самих наборов данных. Если большие базы данных были агрегированы с течением времени, часто бывает трудно судить о качестве данных.

Кроме того, некоторые платформы иногда приглашают пользователей заявить права на свою собственность и сами ввести данные - данные, которые затем учитываются в этих важных прогнозах. Это может привести к тому, что данные будут устаревшими, искаженными или просто некорректными, что приведет к неточным прогнозам и прогнозным моделям.

В следующий раз…

Во второй части серии статей об искусственном интеллекте и недвижимости мы рассмотрим компании, которые в настоящее время используют ИИ в PropTech, с помощью современного статистического анализа. Следите за обновлениями, подписавшись на нас на Medium здесь или в Twitter здесь.