Первоначально опубликовано в блоге Hello Data: https://hellodata.ai/blog/vector-embeddings-real-estate-a-use-case-for-apples-to-apples-selection-of-comparable- свойства/

Одной из наиболее частых проблем, с которыми сталкиваются инвесторы в недвижимость, является объективное определение наилучшей цены для потенциальных приобретений. На рынке, с которым они знакомы, это может быть просто — они знают цены, потому что знают рынок как свои пять пальцев. Однако, если они хотят выйти на новые рынки, это становится более сложной задачей — как они могут знать, что выбирают наиболее подходящие композиции? К счастью, достижения в области машинного обучения предлагают уникальный способ решения этой проблемы на любом рынке.

Что такое векторные вложения?

Векторные вложения являются фундаментальной концепцией в области машинного обучения, характеризующейся их замечательной гибкостью и практической полезностью. Широко используемые в обработке естественного языка (NLP), рекомендательных системах и алгоритмах поиска векторные вложения позволяют представлять абстрактные понятия и объекты в виде списков чисел, позволяя выполнять над ними широкий спектр математических операций.

Одной из наиболее привлекательных особенностей векторных вложений является их универсальность: их можно использовать для представления различных типов данных, таких как аудио, видео, текст и изображения. Это качество дает векторным встраиваниям уникальный широкий спектр приложений, что делает их незаменимым инструментом в арсенале любого специалиста по обработке и анализу данных.

Как можно использовать векторные вложения в сфере недвижимости?

Традиционно сопоставимые свойства домов и квартир рассчитывались с использованием основных данных, таких как количество спален, ванных комнат и площадь в квадратных футах.

Однако, как может подтвердить любой опытный специалист по недвижимости, два объекта с одинаковыми основными характеристиками могут сильно различаться по цене. Именно здесь вступает в игру «ощущение» собственности, которое часто передается через материалы и тонкие детали, которые трудно поддаются количественной оценке.

С появлением машинного обучения и компьютерного зрения теперь можно извлекать огромное количество информации из фотографий объявлений о недвижимости, включая такие детали, как качество материалов, освещение и общую атмосферу. Это тонна дополнительных сигналов, которые могут быть включены в оценку недвижимости и обнаружение сопоставимой недвижимости.

В Hello Data мы работаем над разработкой передовых моделей машинного обучения, которые измеряют сходство всех этих функций.

Например, наши модели могут определить качество материалов, использованных при строительстве объекта, таких как паркетные полы или высокотехнологичная бытовая техника, которые часто являются показателями более дорогого объекта. Они также могут распознавать такие особенности, как естественное освещение, открытая планировка и открытая планировка, которые пользуются большим спросом у многих покупателей и могут иметь более высокую цену.

Хотя наши модели все еще находятся на ранних стадиях разработки, мы считаем, что они могут революционизировать способы оценки и продажи недвижимости в бизнесе, занимающемся недвижимостью.

Комбинируя физические атрибуты, такие как квадратные метры, кровати, ванны и т. д., с качественными данными с фотографий (которые теперь могут быть определены количественно благодаря встраиванию векторов!), можно автоматически идентифицировать композицию, используя всю ту же информацию, которую проанализировал бы опытный инвестор в недвижимость. .

Конечно, стоит отметить, что это всего лишь одна часть головоломки, когда дело доходит до оценки имущества. Необходимо учитывать множество других факторов, таких как местоположение, рыночные тенденции и общее состояние недвижимости. Проблема, на самом деле, очень похожа на них, и мы уже начали работать над решением этих проблем!