Как ИИ работает с недвижимостью и зачем мы заставляем его изучать фотографии объектов

Цена в объявлении — один из параметров, от которого зависит, как пойдет продажа: будет квартира год ждать нового хозяина, или “улетит” за пару недель. Раньше риелторы определяли цену буквально на глазок, руководствуясь собственным опытом, сегодня эту задачу многие отдают ИИ.

Искусственный интеллект сегодня помогает определить цену объекта, а в будущем поиск недвижимости будет работать по принципу рекомендаций Spotify.

С помощью ИИ решают задачи во всех областях, где нужно быстро обработать большое количество информации и на ее основании сделать корректные выводы. Искусственный интеллект так глубоко проник в нашу жизнь, что уже сейчас многие люди отказываются от привычных поисковых систем, а с запросами обращаются сразу к Chat GPT. Вероятно, лет через пять эта инфраструктура изменится до неузнаваемости, а ИИ станет самым начитанным консультантом по всем важным вопросам. В том числе советчиком для агентств недвижимости, который будет выполнять большую часть работы за риелтора. Ни один человек-риелтор не сможет за несколько секунд собрать и проанализировать столько важной информации, как цифровой агент.

Отчасти ИИ уже выполняет отдельные функции, например, сегодня у каждого крупного агрегатора по поиску недвижимости есть свой модуль с использованием возможностей искусственного интеллекта для анализа тысяч объявлений с ценами и информации о сделках, до которых он может дотянуться. У разработчиков ИИ в недвижимости есть и универсальные цели, и долгосрочные, которые сейчас больше похожи на научную фантастику. Это безусловно определит развитие индустрии. Но обо всем по порядку.

Как я уже сказал, нейросети на рынке недвижимости сейчас чаще всего используют для определения оптимальной цены объекта. Обычно, чем раньше квартира будет выставлена на продажу по рыночной цене, тем быстрее она будет продана. Можно конечно снизить цену в уже опубликованном объявлении, но большинство платформ после редактирования не поднимают карточку автоматически наверх, поэтому чтобы увеличить просмотры, нужно будет удалить старый объект и завести новый. Что не всегда в принципе возможно. В среднем по рынку продажа квартиры занимает от 2 до 8 месяцев, но если корректная цена определена сразу в первой карточке, срок можно сократить до 1-4 месяцев.

До автоматизации процессов риелтор для определения цены вручную листал несколько сайтов с объявлениями, анализировал, какие похожие квартиры были проданы за последнее время, в какой срок, если эта информация доступна, как менялась цена, был ли дисконт. Наиболее консервативные риелторы звонили конкурентам, чтобы узнать цену похожих вариантов. На все это уходило как минимум один-два рабочих дня. А если агент ошибался и завышал стоимость, то приходилось все делать заново — смотреть, изучать и анализировать, иногда уже после конфликта с клиентом.

ИИ в нашей системе определяет рыночную цену квартиры не более 5 минут, с учетом времени занесения всех параметров. Нейросеть имеет доступ к сведениям по всем сделкам, которые когда-либо проводили специалисты Жилфонда, причем это не просто сухая статистика, а полный набор данных о хронологии процесса и детальное описание объекта — площадь, этаж, точный адрес, цена и срок продажи. ИИ пополняет свою базу знаний буквально каждую минуту, изучает параметры, структурирует и ищет закономерности.

Кроме того, что мы настроили автоматический сбор и анализ информации по всем сделкам, к ИИ подключили открытые API агрегаторов по поиску недвижимости. Когда риелтор заполняет карточку объекта — вносит адрес, количество комнат, площадь, этаж и цену предложения, — система всё это анализирует, собирает закономерности и похожие позиции, и выдает результат. Магия ИИ заключается в том, что среди миллиона параметров система за секунды может найти паттерны, которые человек найдет лишь за несколько дней или недель изучения данных. При этом некоторые закономерности человеческий мозг просто может не заметить, в отличие от компьютера.

Помимо цены объекта, нейросеть сразу предполагает срок продажи на основании тысяч известных ей кейсов и более того, строит предположения, как на объект будут реагировать покупатели. Агент в карточке с результатами видит следующее:

Расчет срока продажи нейросеть считает математически на основе прошлых сделок, а количество объектов ищет в базе Жилфонда и на популярных платформах. Риелтор может и сам зайти на сайт любого агрегатора, вбить данные объекта, получить расчет и сравнить с другими. Нейросеть делает это за него автоматически за несколько секунд, охватывая гораздо больший срез информации.

Сейчас мы хотим пойти на шаг дальше, и ещё увеличить зону ответственности ИИ и снизить риск возможной ошибки риелтора — найти универсальные критерии оценки объекта и упростить их до одного индекса. Этот инструмент пока не совершенен, но он у нас уже есть. Рабочее название в карточке объекта — “Индекс популярности”. Честно скажу, над названием мы продолжаем думать. Но суть вот в чем. Коэффициент в идеальном значении равен единице — в этом случае соотношение характеристик квартиры и предложенной цены совпали на 100%. Когда риелтор видит значение 1, то понимает, что все в порядке, цена определена верно, если 0,5 — значит что-то не так и стоит пересмотреть цифры, 0,89 — не идеально, но близко к грамотной оценке. То есть, это своеобразная оценка работы риелтора по анализу и корректному использованию данных ИИ по 1-балльной шкале.

Выявление оптимальной цены — лишь видимая часть айсберга, над которым мы работаем вместе с нашей нейросетью. Самое интригующее в этой работе то, что пока достаточно сложно предположить, к чему именно мы придем. Сейчас мы просто загружаем в ИИ максимальный объём данных: библиотеки, правила, и наблюдаем, какие предположения и закономерности он выявляет.

Помимо данных по объектам и сделкам, мы сохраняем и передаём нейросети на анализ такие действия посетителей сайта, как посещённые страницы, используемые настройки и фильтры, открытые карточки, манипуляции с результатами поиска. Ещё мы учим ИИ просматривать и анализировать фотографии объектов, так как это сразу после основных параметров радикально влияет на просмотр объявления. Мы пропускаем через нейросеть тысячи фотографий и обучаем проверять, есть ли на них человек (даже в отражении зеркала), посторонние предметы и личные вещи. Это существенно поможет риелтору в дальнейшем с оформлением карточек. Следующим этапом будет научить ИИ отличать интерьер от экстерьера, что актуально для объявлений о продаже дома, оценивать состояние ремонта по фото. Понятно, что ремонт зачастую это дело вкуса, но система сможет распознавать, как минимум, где ремонт есть, а где объект едва ли пригоден для жизни, и предупредит риелтора, что цена в последнем случае должна быть ниже.

Это всё прикладные задачи на ближайшее время. В более отдаленном будущем я верю, что мы сможем создать систему, которая будет определять интересы пользователя и как Spotify выдавать подборку индивидуальных рекомендаций по подбору недвижимости. Все данные, которыми мы сейчас обучаем нейросеть, будут структурированы, и на их основе система сможет предлагать персонализированные решения для каждого пользователя.

Например, можно будет сказать ИИ про состав семьи и планы по его изменению, где вы живете сейчас, где работаете, в какую школу ходят дети, есть ли машина и какой бюджет. И вместо обмена двухкомнатной квартиры на трехкомнатную в одном из центральных районов города, нейросеть порекомендует переехать в таунхаус в пригороде с оптимальной площадью для всех членов семьи, рассчитает путь до работы, распишет, что можно будет купить на сэкономленные от сделки деньги и бонусом выдаст список вакансий недалеко от дома, если это будет актуально.

Безусловно, модерировать автоматические предложения машины должен человек — настройки человеческого опыта, эмпатии и интуиции пока ещё крайне востребованы для решения квартирных вопросов. Как и в случае со Spotify, слушает и оценивает его подборки человек. Однако благодаря помощи ИИ с аналитикой и рекомендациями, у риелтора освободится ещё больше времени и ресурса на то, чтобы общаться с клиентом и помогать ему.