احمدرضا صمدی / صفحه اصلیمطالعه موردی
Appraiva: از تصویر ملک تا پشتیبانی از تصمیم
ساخت زیرساخت فنی برای پیوند دادن هوش مصنوعی و داده‌های ملکی با فرایند پژوهش سرمایه‌گذاران.
از مشاهده یک تصویر تا تصمیمی قابل استفاده
تصویر می‌تواند نشانه‌هایی از وضعیت یک ملک نشان دهد. اما تبدیل این نشانه‌ها به اطلاعات مفید برای پژوهش سرمایه‌گذاری، به چیزی بیش از یک مدل هوش مصنوعی نیاز دارد.
من در Appraiva، شرکتی آمریکایی مستقر در کلیولند، اوهایو، از راه دور کار می‌کنم. در نقش هم‌بنیان‌گذار و راهبر فنی، تحلیل تصاویر را به داده‌های ملک، غنی‌سازی اطلاعات، جست‌وجو و فرایندهایی که مشتریان برای بررسی فرصت‌ها به کار می‌برند پیوند می‌دهم. مسئولیت من شامل جهت‌گیری فنی در معماری محصول، سیستم‌های داده، فرایندهای هوش مصنوعی و زیرساخت ابری است؛ در کنار آن در شناخت نیاز مشتری و برنامه‌ریزی ورود محصول به بازار نیز نقش دارم.
یک نشانه درباره وضعیت ملک زمانی مفید است که معلوم باشد به کدام ملک مربوط می‌شود، چه اطلاعات دیگری درباره آن در دسترس است و کاربر چگونه می‌تواند از آن در فرایند پژوهش خود استفاده کند. این پرسش‌ها خروجی مدل را به طراحی محصول و مهندسی وصل می‌کنند.
در معرفی بنیان‌گذاران و آغاز فعالیت Appraiva در ژانویه ۲۰۲۴ آمده است که مشتریان اولیه در دوره آزمایشی از پلتفرم برای یافتن فرصت‌های سرمایه‌گذاری مسکونی استفاده می‌کردند. آن متن، نقش بنیان‌گذاری مرا با عنوانی که آن زمان به کار می‌رفت، «هم‌بنیان‌گذار و معمار ارشد داده»، ثبت کرده است.
اجزای این کار چگونه به هم می‌رسند؟
- شناسایی ملک: نتیجه تحلیل تصویر باید به ملک درست متصل شود.
- غنی‌سازی داده: نشانه‌های وضعیت ملک در کنار اطلاعات دیگر آن قرار می‌گیرند.
- جست‌وجو: اطلاعات باید در فرایند پژوهش سرمایه‌گذار قابل یافتن و استفاده باشند.
- محصول و زیرساخت: رابط کاربری، سیستم‌های داده، فرایندهای هوش مصنوعی و خدمات ابری از این مراحل پشتیبانی می‌کنند.
چالش معماری در حفظ همین پیوندهاست: مشاهده‌ای از یک تصویر باید هویت ملک، زمینه کافی و گام بعدی روشن در محصول داشته باشد.
غنی‌سازی داده‌های ملک چه چیزی به یک تصویر اضافه می‌کند؟
Appraiva در معرفی بنیان‌گذاران خود در ۱۲ ژانویه ۲۰۲۴، تحلیل ویژگی‌های قابل مشاهده مانند سقف، دیوارهای بیرونی، پنجره‌ها و درها و سپس ترکیب این تحلیل در یک امتیاز وضعیت ملک را توضیح داد. آن متن می‌گوید این تحلیل با داده‌های ملکی بیشتری از منابع عمومی و شخص ثالث غنی‌سازی می‌شد. این معرفی، رویکرد محصول را در همان زمان توصیف می‌کند.
یک مشاهده چگونه به پژوهشی مفید تبدیل می‌شود؟
در Appraiva، کار فنی من تحلیل تصویر را به هویت ملک، غنی‌سازی داده و جست‌وجو پیوند می‌دهد. این پیوند مهم است، چون فرد بررسی‌کننده باید بداند یک مشاهده به کدام ملک مربوط می‌شود و چه اطلاعات دیگری از آن پشتیبانی می‌کند. جست‌وجو این اطلاعات را در فرایند پژوهش سرمایه‌گذار قابل دسترسی می‌کند.
گام بعدی به شواهد بستگی دارد. تصویر و سابقهٔ ملک ممکن است زمان‌های متفاوتی را توصیف کنند. پیوند دادن آن‌ها زمانی مفید است که فرد بتواند اطلاعات زمینه‌ای را درک کند و تشخیص دهد چه چیزهایی هنوز به بررسی نیاز دارد.
کدام پرسش‌ها به انتخاب گام بعدی بررسی کمک می‌کنند؟
برای توضیح، یک سابقهٔ پژوهشی خیالی را در نظر بگیرید: تصویر ظاهراً نشانه‌هایی از فرسودگی سقف را نشان می‌دهد، اما سابقهٔ ملک ناقص است. این پرسش‌های پیشنهادی به انتخاب گام بعدی بررسی کمک می‌کنند:
- آیا این همان ملک مورد نظر است؟ پیش از ترکیب اطلاعات، بررسی کنید که تصویر و سوابق پشتیبان به یک ملک مربوط باشند.
- شواهد چقدر به‌روزند؟ تاریخ ثبت تصویر و سوابق را مقایسه کنید؛ مشاهده‌ای از گذشته را از اطلاعات درباره وضعیت کنونی جدا کنید.
- چه چیزی دیده می‌شود و چه چیزی هنوز روشن نیست؟ آنچه در تصویر به نظر می‌رسد را از ادعاهایی جدا کنید که هنوز به سوابق یا بررسی و تأیید متخصص نیاز دارند.
- در گام بعدی چه اطلاعاتی لازم است؟ پیش از تبدیل پژوهش به یک توصیه، اطلاعات ناقص و پیگیری مناسب را مشخص کنید.
برای بررسی اطلاعات ملک و عدم قطعیت، مقالهٔ برآورد ارزش خانه با هوش مصنوعی چه چیزهایی را نمی‌بیند؟ را بخوانید. مرز کار هوش مصنوعی در املاک کجاست؟ آماده‌سازی، تأیید و تصمیم مشتری را توضیح می‌دهد. هزینه هوش مصنوعی به‌ازای هر نتیجه تأییدشده، تلاش لازم برای بررسی را در ارزیابی پیشنهادی یک فرایند لحاظ می‌کند.