Розробка AI-системи автоматичної оцінки нерухомості

Банк витрачає до трьох робочих днів на оцінку застави за однією заявкою: збір аналогів, коригування, погодження. Ми скорочуємо це до п'яти секунд, використовуючи ансамбль LightGBM, GWR та embedding-пошук comps для автоматичної оцінки нерухомості (AVM). Помилка в оцінці застави на 5% може коштувати банку мільйони при дефолті. Тому автоматизація вимагає не лише точності, а й інтерпретованості — зрозуміти, чому модель оцінила квартиру в 8 млн, а не в 7,5. Ми використовуємо просторову регресію (GWR), щоб врахувати локальні особливості ринку — відмінність району Любліно від Хамовників не описується однією константою. За роки практики ми впровадили AVM у трьох великих банках та двох агентствах. У цій статті — технічні деталі: від збору геоданих до квантильної регресії для довірчих інтервалів. Отримайте консультацію інженера, щоб обговорити ваш проект — ми допоможемо підібрати оптимальну архітектуру.

Як AI-система автоматичної оцінки нерухомості скорочує час?

Класична модель hedonic pricing (log-лінійна регресія) дає інтерпретовані коефіцієнти, але не ловить нелінійності: наприклад, квартира на першому поверсі коштує дешевше не пропорційно поверху, а з розривом. Gradient boosting (LightGBM/XGBoost) справляється з цим автоматично. Для міст із сильним просторовим розшаруванням цін додаємо Geographically Weighted Regression (GWR) — коефіцієнти моделі змінюються в просторі. А у фіналі збираємо ансамбль:

final_price = (
    0.4 * lgbm_prediction +
    0.3 * gwr_prediction +
    0.2 * nearest_comps_weighted_avg +
    0.1 * price_per_sqm_neighborhood_median * area
)

Які дані збираємо?

Характеристики об'єкта:

• Площа: загальна, житлова, кухня
• Кімнати: кількість, тип (роздільні/суміжні)
• Поверх і поверховість будинку
• Рік побудови, матеріал стін (цегла/панель/моноліт)
• Стан ремонту (немає/потребує/хороший/євро)
• Балкон/лоджія, площа

Локаційні фактори:

location_features = {
    'distance_metro_m': distance_to_nearest_metro_station,
    'distance_center_km': distance_to_city_center,
    'walk_score': walkability_score,
    'school_rating': nearest_school_average_rating,
    'green_area_500m': green_area_within_500m_sqkm,
    'crime_index': neighborhood_crime_rate,
    'noise_level_db': estimated_noise_level,
    'view_type': encode(['yard', 'street', 'park', 'water'])
}

Ринкові дані:

• Comparable sales (comps): угоди з подібними об'єктами за останні 6-12 місяців
• Days on market для активних лістингів
• Price per sqm trend в районі

Джерела: Держреєстр (ЄДР через API або відкриті дані), OLX/Avito/Яндекс Нерухомість (парсинг або офіційний API), OpenStreetMap для інфраструктури, 2ГІС для організацій та транспортної доступності.

Як знаходимо comps?

Традиційний підхід — взяти 3-5 подібних об'єктів і скоригувати. AI-comps працює точніше:

1. Перетворюємо кожен об'єкт в embedding (характеристики + геокоординати).
2. Шукаємо KNN найближчих проданих.
3. Зважуємо за схожістю, давністю угоди та коригуваннями.

def find_comparable_properties(subject_property, sold_database, n_comps=10):
    subject_embedding = property_encoder.encode(subject_property)
    comp_embeddings = [property_encoder.encode(p) for p in sold_database]

    # Cosine similarity + distance penalty + recency weight
    similarities = cosine_similarity(subject_embedding, comp_embeddings)
    recency_weights = exp(-days_since_sale / 180)
    scores = similarities * recency_weights

    return sold_database[top_n_indices(scores, n_comps)]

Confidence Score: оцінка надійності передбачення

Оцінка без довірчого інтервалу — ризик. Для іпотеки особливо важливо знати, наскільки можна довіряти цифрі. Використовуємо три компоненти:

• Кількість comps в радіусі 500 м за останні 12 місяців.
• Однорідність району (std price/sqm).
• Унікальність об'єкта (відстань до центроїда кластера).

Прогнозний інтервал рахуємо через квантильну регресію: p10/p50/p90. Якщо розмах p90−p10 перевищує 30% від p50 — low confidence, рекомендуємо ручний огляд.

Чому confidence score критичний для банків?

Вимоги НБУ до оцінки застави вимагають документування методології та backtesting. Confidence score дозволяє автоматично відхиляти ненадійні оцінки (score < 0.6) і направляти об'єкт на фізичний огляд. Середня економія для банку — до 70% часу співробітників, що забезпечує значне скорочення операційних витрат.

Deployment для банків

Рішення бувають двох типів:

• Батч-обробка: завантажили список об'єктів, отримали оцінки.
• Real-time API: один об'єкт — відповідь за <1 секунди.

Обов'язково ставимо confidence threshold: при score <0.6 — відмова від автооцінки, відправка на фізичний огляд. Враховуємо регуляторні вимоги: НБУ, МСФО 13 (Fair Value Measurement). Готуємо методологію та backtesting.

Приклад архітектури API: FastAPI з авторизацією по JWT, логами в ELK, модель завантажена в ONNX Runtime. Контейнеризація Docker, оркестрація Kubernetes.

Що входить в кінцевий продукт?

Здаємо проект повністю:

• Документація методології та результатів backtesting.
• API (REST/gRPC) з авторизацією та логами.
• Доступ до Git-репозиторію з кодом та моделями.
• Навчання команди замовника (2 дні).
• Підтримка 3 місяці після запуску.

Метрики та досвід — розробка ai системи

Типові метрики на продакшні:

• MAPE: 7-10% для Києва, 10-15% для регіонів.
• Median APE: 5-8%.
• Coverage ratio: % об'єктів з автооцінкою (без ручного огляду).
• False coverage rate: % автооцінок з помилкою >20%.

Ми гарантуємо прозорість — ви отримуєте model card і всі вирішальні правила.

Порівняння методів машинного навчання для AVM

Процес впровадження AVM: 5 кроків

1. Аналіз даних клієнта (2–4 тижні)
2. Збір та очищення даних (2–4 тижні)
3. Розробка та навчання моделі (4–6 тижнів)
4. Тестування та backtesting (2 тижні)
5. Деплой та навчання команди (2 тижні)

Зв'яжіться з нами, щоб замовити розробку AVM під ваші завдання. Отримайте консультацію інженера, а не менеджера.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.