Sekta ya mali isiyohamishika inakumbwa na mapinduzi katika jinsi mali zinavyothaminiwa. Kawaida, tathmini zilitegemea maoni ya wataalamu na kulinganisha mauzo, mchakato wa polepole unaoweza kuchelewa kufuatilia mabadiliko ya soko.

Leo, akili bandia (AI) inawezesha mifano ya tathmini ya moja kwa moja (AVMs) inayotoa makadirio ya bei papo hapo kwa kuchakata seti kubwa za data.

Kwa kweli, makampuni makubwa yanabaini kuwa AVMs sasa huwapa wamiliki wa mali na wawekezaji taarifa za karibu papo hapo kuhusu thamani za mali “kama mtu yeyote anavyoweza kuangalia salio la akaunti ya benki”. Kiwango hiki cha tathmini kwa mahitaji kilikuwa “karibu haiwezekani” zamani kwa mali zisizoweza kuuza haraka, lakini uchambuzi unaotegemea AI sasa hutoa masasisho ya wakati muafaka kuhusu mabadiliko ya bei.

Tujifunze kwa undani jinsi AI inavyothamini mali isiyohamishika katika makala hii!

AI na Kuibuka kwa Tathmini za Moja kwa Moja

Mifano ya tathmini ya moja kwa moja (AVMs) inayotumia AI tayari ni maarufu katika masoko ya nyumba duniani kote. Mifumo kama REA Australia, Rightmove Uingereza, na Zillow Marekani hutumia AVMs kukadiria thamani za nyumba kwa kuchambua mauzo yanayofanana.

Mifano hii ya AI mara nyingi huenda mbali zaidi ya kile ambacho mtaalamu wa tathmini binafsi angeweza kushughulikia.

Kwa mfano, Zestimate ya Zillow hutumia  inayochukua data kutoka . Wakati wowote, Zillow inaweza kuchapisha makadirio kwa zaidi ya nyumba milioni 116 nchini Marekani, ikizisasisha mara kadhaa kwa wiki kuendana na taarifa mpya.

Matokeo ni ya usahihi mkubwa: Zillow inaripoti makosa ya wastani ya kitaifa ya takriban 1.83% kwa nyumba zilizo kwenye soko.

Watoa huduma wengine hutumia mbinu zinazotegemea AI kama hizo. Makadirio ya Redfin, zana za uchambuzi za CoreLogic na jukwaa la HouseCanary zote hutumia ujifunzaji wa mashine kwa seti kubwa za data za wakati halisi.

Katika utoaji mikopo na tathmini ya hatari, zana hizi hutoa makadirio ya thamani yanayotegemea data papo hapo ambayo hapo awali yalichukua siku au wiki.

Kama kiongozi mmoja wa sekta anavyosema, AI huondoa upendeleo wa kibinafsi na kuunda “mchakato wa kisayansi” unaoweza kushughulikia uwingi mkubwa wa data – ikisasisha makadirio moja kwa moja wakati hali za soko zinapobadilika. Hii inafanya AVMs kuwa nyongeza yenye nguvu kwa wataalamu wa jadi, si mbadala.

Uunganishaji wa Data ya Wakati Halisi kwa AI

Makadirio yanayotegemea AI hutegemea kusanya data ya wakati halisi kutoka vyanzo vingi. Kwa kubofya kitufe, AVM ya kisasa inaweza kukusanya rekodi za umma za mali, mauzo ya hivi karibuni, tathmini za kodi, mwelekeo wa bei za soko, viashiria vya kiuchumi na zaidi – yote kwa sekunde chache.

Hakuna mtaalamu wa tathmini binafsi anayeweza kukusanya na kuchakata taarifa nyingi hivyo kwa haraka sana.

Kwa vitendo, mfano wa tathmini ya wakati halisi hufanya kazi kama ifuatavyo:

• Ukusanyaji wa data: AI inaendelea kuchukua taarifa zilizosasishwa (mfano: orodha mpya, bei za mauzo, data za kodi, viwango vya riba).
• Uchambuzi wa sifa: Mifano ya ujifunzaji wa mashine huchambua jinsi mambo kama ukubwa, umri, eneo, huduma na mwelekeo wa bei za kihistoria unavyohusiana na thamani.
• Matokeo papo hapo: Mfumo hutoa makadirio ya bei yaliyosasishwa (na kiwango cha uhakika) mara moja.

Mifumo hii ya data ni hatua ya kwanza kwa tathmini ya wakati halisi. Zana za AI zinaweza kuchukua orodha mtandaoni, hifadhidata za umma na hata taarifa za IoT au satelaiti ili kuweka mtazamo wa soko kuwa wa sasa.

Kwa mfano, mfano unaweza kugundua ripoti ya mafuriko ya hivi karibuni inayohusiana na mtaa fulani au ongezeko la utafutaji mtandaoni wa nyumba, na kurekebisha makadirio kwa mujibu wa hayo.

Kwa upande mwingine, mbinu za jadi za kulinganisha mara nyingi hutegemea mauzo ya miezi iliyopita na kushindwa kufuatilia mwelekeo wa haraka.

Kwa muhtasari, nguvu ya AI ni usindikaji wa data wa moja kwa moja na endelevu. Vyanzo muhimu vya data ni:

• Rekodi za mali na data za MLS: Maelezo rasmi (ukubwa wa mraba, idadi ya vyumba, ukubwa wa kiwanja) na kila orodha au mauzo mapya.
• Mwelekeo wa kiuchumi na soko: Viashiria vya bei za eneo, mabadiliko ya viwango vya riba, data ya soko la kodi, n.k.
• Data za kijiografia/mazingira: Huduma za mtaa, ubora wa shule, mipangilio ya ardhi, hatari za hali ya hewa (mafuriko, moto wa porini, n.k.).
• Ishara zinazotokana na watumiaji: Maoni mtandaoni, mijadala ya mitandao ya kijamii au mwelekeo wa utafutaji unaoonyesha mahitaji au umaarufu wa mtaa.

Kila mara mfumo wa data unapoendesha, tathmini hubadilika, ikitoa “picha ya soko” wakati huo.
AVMs za kisasa hufanya kazi kwa endelevu, zikimpa wawekezaji na wakopeshaji mtazamo wa thamani za mali unaosasishwa kila wakati.

Uboreshaji wa Data za Kijiografia na Picha

Zaidi ya ukweli wa msingi, mifano ya tathmini ya AI sasa inajumuisha maelezo ya eneo na picha kuboresha usahihi. Uchambuzi wa kijiografia (kutumia data za GIS) huruhusu mifano kuzingatia mazingira ya mali – kutoka umbali wa usafiri na maduka, hadi hatari kama maeneo ya mafuriko au moto wa porini.

Kwa mfano, nyumba mbili zinazofanana zinaweza kupata alama tofauti ikiwa moja iko karibu bustani na nyingine karibu eneo la viwanda. AI inaweza kupima mambo haya ya kijiografia kwa wakati halisi.

Mifumo ya kisasa pia huchambua picha za mali. Utafiti wa MIT ulionyesha kuwa AI inaweza “kuona” sifa kama muundo wa ndani, mvuto wa nje na hali ya ukarabati kutoka kwa picha za orodha.

Watafiti walifundisha mfano wa kuona na lugha kupima uzuri na hali ya kila nyumba; kuongeza alama hizi za picha zinazotokana na AI kwenye mifano ya jadi kuliboresha sana usahihi.

Kwa vitendo, hii inamaanisha nyumba iliyopambwa vizuri na ya kisasa itapokea makadirio ya juu zaidi kuliko muundo sawa wenye mapambo ya zamani – ikionyesha mapendeleo ya wanunuzi ambayo data safi inaweza kushindwa kuyashika.

Kwa kupima mvuto wa kuona na hali ya mtaa, AI inakamata vichocheo vya thamani visivyoonekana ambavyo mifano ya kawaida huvipuuza.

Pamoja, maboresho haya yanatoa mtazamo mzuri zaidi wa kila mali kwa AI. Yanaruhusu marekebisho ya wakati halisi kwa matukio kama miradi mipya ya miundombinu au mabadiliko ya ghafla katika hisia za eneo.

Kama ripoti moja inavyosema, AI inaweza kutambua mijadala ya virusi ya mitandao ya kijamii kama ishara ya ongezeko la mahitaji, na kuongeza makadirio ya thamani papo hapo.

Kwa njia hii, mifano hubaki nyeti kwa muktadha mzima: si ukubwa tu, bali wapi na jinsi nyumba inavyokuwepo.

Mifano ya Ujifunzaji wa Mashine Inayochochea Tathmini

Ndani ya mfumo, AVMs hutumia algoriti mbalimbali za ujifunzaji wa mashine – kutoka mifano ya regression hadi makundi (kama gradient boosting) na mitandao ya neva ya kina – yote yamefundishwa kwa data za mauzo ya kihistoria.

Mifano hii hujifunza uhusiano mgumu: kwa mfano, jinsi mchanganyiko wa sifa na historia ya eneo unavyoathiri bei.
Kadri data bora za mafunzo zinavyopatikana, ndivyo mfano unavyoweza kutabiri vyema zaidi.

Kwa msingi, mfumo wa ML hutambua mifumo katika maelfu au mamilioni ya miamala ya zamani na kuitumia kwa mali inayochambuliwa.

Watafiti wanasisitiza kuwa kujifunza kwa kuendelea ni muhimu. Kadri hali za soko zinavyobadilika, AI hujifunza upya au kurekebisha mara kwa mara.

Mauzo na orodha mpya hujumuishwa katika seti ya mafunzo, hivyo mfano unabadilika kufuatilia mabadiliko kama ongezeko la ghafla la riba au mabadiliko ya kidemografia.

Hii “kujifunza kwa kuendana” huhakikisha tathmini hubaki za kisasa hata wakati viashiria vya zamani vinapopoteza umuhimu.

Kwa mfano, wakopeshaji sasa hutumia zana zilizoimarishwa na AI kuharakisha maamuzi. Majukwaa kama CanaryAI (HouseCanary) hukusanya data za MLS na umma za hivi karibuni ili kukokotoa thamani za nyumba kwa wakati halisi, na kuruhusu wakopeshaji kufanya maamuzi kwa taarifa mpya kabisa.

Wanaweza pia kufanya uchambuzi wa "kama vipi", kurekebisha sifa za mfano (kama kuongeza chumba) kuona athari kwa thamani.
Kwa ujumla, mifano ya AI imehamia kutoka ripoti za kimya hadi  kwa pembejeo mpya na maswali ya watumiaji.

Kuhakikisha Usahihi katika Tathmini za AI

Makadirio ya AI ya wakati halisi ni yenye nguvu, lakini usahihi wake unategemea mbinu thabiti na ubora wa data. Mambo muhimu ni:

• Masasisho endelevu: AVMs zinazoongoza huzidisha thamani moja kwa moja kila data mpya inapoingia.
  Kwa mfano, Zillow husasisha Zestimates mara kadhaa kwa wiki, na maboresho makubwa ya mifano hutolewa mara kwa mara.
  Hii huhakikisha tathmini zinaendana na hali ya soko ya hivi karibuni, si kulinganisha kwa data ya zamani.

• Ingizo la data bora: Usahihi wa AVM unategemea ubora wa data. Rekodi zisizokamilika au za zamani zinaweza kuleta makosa.
  Zillow yenyewe inabaini kuwa kuongeza maelezo ya kina ya nyumba (vyumba, ukarabati, n.k.) huboresha makadirio.
  AVMs nzuri huthibitisha na kukagua data (mfano kulinganisha rekodi za kodi na orodha za sasa) ili kuepuka makosa.

• Uangalizi wa binadamu: Hata kwa kiwango cha AI, utaalamu wa binadamu unabaki muhimu. Mifano inaweza kushindwa kugundua mambo ya ubora kama umuhimu wa kihistoria au usanifu wa kipekee.
  Kwa sababu hii, zana za AI zimeundwa kuongeza wataalamu wa tathmini badala ya kuwabadilisha.
  Mbinu bora ni kutumia AI kuonyesha thamani na mwelekeo, na kuwa na wataalamu wakikagua kesi zisizo za kawaida.
  Kwa kweli, wakaguzi wa Marekani sasa wanahitaji wakopeshaji kutumia udhibiti wa ubora kwa AVMs – ikiwa ni pamoja na majaribio huru na ukaguzi wa upendeleo – kuhakikisha “uaminifu na uadilifu” wa tathmini.

• Vyanzo mbalimbali vya data: Kujumuisha aina nyingi za data (zilizo na muundo, kijiografia, picha, kijamii) husaidia mfano kuwa na jumla bora.
  AVMs za kisasa huunganisha rekodi za umma, picha za drone au barabara, na hata data za sensa za IoT kuunda mtazamo wa 360°.
  Kupitia mchanganyiko huu, AI inaweza kuzuia kushindwa kugundua ishara – mkakati ambao watafiti wa MIT walibainisha kuwa huongeza usahihi wa mfano.

Pamoja, hatua hizi husaidia kupunguza makosa. Mifano ya AI inapojaribiwa na kurekebishwa mara kwa mara, ikichanganywa na ukaguzi wa wataalamu, hupata usahihi wa hali ya juu.

Kwa mfano, mifano iliyoboreshwa na AI katika utafiti wa hivi karibuni ilielezea 89% ya tofauti ya bei ya mauzo – zaidi ya mifano ya jadi ya hedonic – kwa kushika zaidi ya kile wanunuzi wanachothamini.

Manufaa kwa Wadau wa Sekta

Makadirio ya AI ya wakati halisi yanatoa faida wazi katika sekta ya mali isiyohamishika. Manufaa muhimu ni:

• Uharaka: Makadirio ya papo hapo yanachukua nafasi ya tathmini za muda mrefu.
  Wakopeshaji na wawekezaji hupata masasisho ya thamani kwa sekunde, si wiki, jambo linalo harakisha utoaji mikopo na maamuzi.
  Kwa wataalamu wa mikopo, hii inamaanisha “utoaji mikopo wa haraka” na huduma yenye mwitikio zaidi.

• Usahihi: Kwa kuchambua seti kubwa za data, mifano ya AI mara nyingi huleta matokeo bora kuliko mbinu za jadi.
  HouseCanary inabainisha kuwa zana zake hutoa “matokeo sahihi” kwa kuchakata vigezo vingi zaidi kuliko mtu binafsi.
  Kwa vitendo, viwango vya makosa ni vya chini (kama makosa ya Zillow ya ~1.8% kwa nyumba zilizo sokoni), na hivyo kuleta imani kwa wanunuzi na wauzaji.

• Uwazi: Mchakato wa tathmini endelevu unamaanisha wadau wanaweza kufuatilia thamani za mali kwa muda.
  Wamiliki hupata picha ya sasa ya miradi yao, na wanaweza kugundua mwelekeo mapema (mfano: kushuka kwa soko au ukuaji wa kanda).
  Wawekezaji “wana nafasi ya kuelewa thamani ya miradi yao wakati wote, wanapotaka,” anasema mtaalamu mmoja.
  Hii hupunguza hatari kwa kufanya bei kuwa ya kutabirika zaidi.

• Uwezo wa kupanuka: AI inaweza kuthamini maelfu ya mali kwa wakati mmoja.
  Wawekezaji wa taasisi na REIT hutumia mifumo hii kufuatilia miradi yote moja kwa moja.
  Hata mawakala wadogo na wawekezaji hupata faida: majukwaa mengi ya MLS na usambazaji sasa yana API za tathmini zilizojengwa ndani, zikifanya uchambuzi wa hali ya juu kupatikana kwa wengi.

• Maarifa yanayotokana na data: Zana za AI mara nyingi huja na dashibodi za uchambuzi.
  Kwa mfano, afisa mkopo anaweza kulinganisha waombaji wawili wa mkopo kwa pamoja kwa kutumia makadirio ya AI, takwimu za uhalifu wa mtaa, na athari za ukarabati – yote papo hapo.
  Hii huwezesha mikakati bora ya mazungumzo na masoko.
  Wauzaji hujifunza ni kiasi gani mvuto wa nje au ukarabati wa jikoni unaweza kuongeza thamani halisi, kutokana na alama za AI za picha na sifa.

Kwa ujumla, makadirio ya AI ya wakati halisi yanabadilisha soko. Yanawapa wataalamu na watumiaji taarifa za bei za haraka na zenye ushahidi, na kufanya miamala kuwa ya haraka na haki zaidi.

Kama ripoti moja inavyohitimisha, AI ya hali ya juu – kwa kuunganisha data kubwa na ujifunzaji wa mashine – inafanya tathmini ya mali kwa wakati halisi kuwa “sio tu uwezekano bali ni ukweli thabiti na wa kuaminika”.

Mtazamo wa Baadaye

Uwezo wa AI katika mali isiyohamishika bado unaendelea kuongezeka. Kadri data zaidi za mali (pamoja na masoko ya kimataifa) zinavyopatikana, mifano itaboreshwa zaidi.

Utafiti wa AI ya kuona na lugha na mbinu nyingine mpya unaahidi kuleta makadirio karibu zaidi na “fikra za wanunuzi” – kupima uzuri na hisia za mnunuzi kwa njia ambazo hesabu za jadi hazikuweza.

Wakati huo huo, viongozi wa sekta wanasisitiza matumizi ya AI kwa uwajibikaji. Maboresho yanayoendelea katika ufafanuzi na usawa yanakusudia kuhakikisha mifano inabaki wazi na isiyo na upendeleo – jambo muhimu linaloangaziwa na kanuni mpya kuhusu AVMs.

Mwishowe, wataalamu wanatarajia siku zijazo ambapo tathmini za 24/7 zitakuwa kawaida. Wamiliki wa mali na wawekezaji watakuwa na mfumo wa kufuatilia thamani zao za mali kama vile watu wanavyofurahia katika programu za benki zao.

Mabadiliko haya yatafungua ufanisi mpya: kwa mfano, usawazishaji wa moja kwa moja wa miradi au bei za mikopo zinazobadilika kulingana na thamani za dhamana za sasa.

Uthamini wa wakati halisi unaotegemea AI, kwa maana hiyo, unafanya mali isiyohamishika kuwa rahisi kuuza na kununua kwa mtazamo wa taarifa. Kwa kutoa makadirio sahihi ya bei kwa mahitaji, zana hizi huongeza uwazi na urahisi wa soko.

Matokeo yake ni soko lenye ufanisi zaidi ambapo maamuzi – ya kununua, kuuza, kukopesha au kukarabati – hufanywa kwa msingi wa taarifa endelevu na za kuaminika.

Kwa kumalizia, AI tayari inabadilisha jinsi mali zinavyothaminiwa. Kupitia ukusanyaji endelevu wa data, ujifunzaji wa mashine wa hali ya juu, na vyanzo vipya vya data kama picha na mwelekeo wa kijamii, AVMs za kisasa hutoa makadirio ya bei haraka na sahihi.

Hii inawawezesha wadau – kutoka kwa mawakala na wataalamu wa tathmini hadi wamiliki binafsi na wawekezaji – kufanya maamuzi bora na ya haraka.

Kadri teknolojia inavyoendelea na data inavyokuwa tajiri zaidi, uthamini wa mali unatarajiwa kuwa sahihi zaidi, wenye ufanisi na kufikiwa na wengi kuliko hapo awali.