Αν οι γείτονες «στραβώνουν» με τον κήπο σας, φανταστείτε πως θα τον βλέπουν τα ρομπότ
Έρχεται ο καιρός που οι μεσίτες θα είναι πλέον ρομπότ; Ίσως, λέει στους Financial Times o Κάρλο Ράτι, καθηγητής στο MIT, όπου διευθύνει το Senseable City Lab!
Το να εκτιμήσει κανείς ένα ακίνητο επί τόπου είναι βασικός παράγοντας στην συγκεκριμένη αγορά. Οι μεσίτες χρησιμοποιούν δεδομένα για να αξιολογήσουν ένα σπίτι – τη ρυμοτομία, τις τιμές για συγκρίσιμα ακίνητα και το τι προσφέρει η κάθε γειτονιά – αλλά πρέπει επίσης να το δουν αυτοπροσώπως.
Οι ειδικευμένοι μεσίτες ψάχνουν τα πάντα, από λακκούβες στο δρόμο και κοντινά μαγαζιά, τι αυτοκίνητα είναι τριγύρω, ακόμη και τους περίοικους, όλα δίνουν κρίσιμα στίγματα για την εκτίμηση της αξίας ενός ακινήτου. Αυτή η αξιολόγηση σε επίπεδο δρόμου είναι ιδιαίτερα σημαντική για τον εντοπισμό αναβαθμισμένων περιοχών. Οι γύρω καφετέριες και το πώς ντύνονται οι γείτονες δίνουν το στίγμα μιας περιοχής πριν το κάνουν οι τιμές.
H AI ακολουθεί πρότυπα πραγματικών μεσιτών
Όλο και περισσότερο, η οπτική τεχνητή νοημοσύνη μπορεί να ακολουθεί τα ίδια σημάδια σε πολύ μεγαλύτερη κλίμακα. Για να εκπαιδεύσει ένα bot real estate, το εργαστήριo του Κάρλο Ράτι στο MIT χρησιμοποίησε εικόνες 20.000 σπιτιών γύρω από τη Βοστώνη, καθώς και δεδομένα που μέτρησαν πώς άλλαζαν οι τιμές τους με την πάροδο του χρόνου.
Το μοντέλο «βαθιάς μάθησης» χρησιμοποίησε αυτές τις πληροφορίες για να προσδιορίσει τις συσχετίσεις μεταξύ των οπτικών χαρακτηριστικών των σπιτιών και των αλλαγών στις αξίες τους. Όταν προστέθηκαν άλλες μεταβλητές – όπως δομικές πληροφορίες και ανέσεις γειτονιάς – ο αλγόριθμός ήταν σε θέση να κάνει πολύ ακριβείς προβλέψεις για το πώς θα άλλαζαν οι τιμές με την πάροδο του χρόνου.
Αυτό είναι μόνο η αρχή. Σε μια πρόσφατη δημοσίευση, ο Ράτι και η ομάδα του επέκτεινε το πεδίο εφαρμογής τους, χρησιμοποιώντας 27 εκατομμύρια εικόνες street view από όλες τις ΗΠΑ και ανακαλύψαν ότι η οπτική τεχνητή νοημοσύνη είναι επίσης εξαιρετικά αποτελεσματική στην πρόβλεψη πολλών πτυχών του προφίλ μιας γειτονιάς, συμπεριλαμβανομένης της φτώχειας, της εγκληματικότητας και της δημόσιας υγείας. Σαν επόμενο βήμα θα μπορούσα να χρησιμοποιηθούν δημόσια προσβάσιμες εικόνες από ιστότοπους ακινήτων και μέσα κοινωνικής δικτύωσης ώστε η ίδια ανάλυση να χρησιμοποιηθεί για εσωτερικούς χώρους.
Τέτοιες τεχνολογίες — σε συνδυασμό με ευρύτερους δείκτες, όπως τα επιτόκια στεγαστικών δανείων — θα μπορούσαν σύντομα να εξελιχθούν σε ισχυρό πλεονέκτημα για τον κλάδο. Από τότε που η Zillow κυκλοφόρησε το “Zestimate” της το 2006, οι εταιρείες ανταγωνίζονται για να χρησιμοποιήσουν δεδομένα όπως τετραγωνικά μέτρα, τοποθεσία και κοντινές συναλλαγές για να προβλέψουν τις τιμές των κατοικιών. Οι αλγόριθμοι είναι ακριβείς, συχνά εντός λίγων ποσοστιαίων μονάδων, και έχουν κάνει προσιτή την πρόσβαση σε αξιολογήσεις και έχουν μειώσει την αβεβαιότητα των τιμών.
Οφέλη και κίνδυνοι
Αλλά η χρήση τέτοιων αλγοριθμικών ακινήτων δεν είναι χωρίς κινδύνους. Τα σπίτια συχνά υπερτιμώνται ή υποτιμώνται, χωρίς πραγματικό λόγο, και η τεχνητή νοημοσύνη θα μπορούσε να επιβεβαιώσει αυτές τις προκαταλήψεις – για παράδειγμα, σχετικά με ακίνητα που ανήκουν σε φυλετικές μειονότητες. Το 2018, η Zillow κυκλοφόρησε το “Offers”, μια υπηρεσία που επέτρεπε στους χρήστες να πουλήσουν τα σπίτια τους με το πάτημα ενός κουμπιού σε μια αλγοριθμικά καθορισμένη τιμή. Οι επικριτές κατηγόρησαν την Offers για κερδοσκοπία και επηρεασμό των αγορών. Αλλά η τεχνολογία ήταν μάλλον ανίκανη, και όχι ύπουλη: το πρόγραμμα φαινόταν ότι αγόραζε υψηλά και πουλούσε χαμηλά και κατέρρευσε.
Διαβάστε την συνέχεια στο in.gr
