ОНЛАЙН-СЕРВИС ДЛЯ ОЦЕНКИ ВНЕШНЕГО ВИДА ЖИЛЫХ ПОМЕЩЕНИЙ НА ОСНОВЕ ИЗОБРАЖЕНИЙ
ОНЛАЙН-СЕРВИС ДЛЯ ОЦЕНКИ ВНЕШНЕГО ВИДА ЖИЛЫХ ПОМЕЩЕНИЙ НА ОСНОВЕ ИЗОБРАЖЕНИЙ
Аннотация
В данной статье представлено описание онлайн-сервиса для автоматизированной оценки визуальной привлекательности жилой недвижимости на основе изображений. Система позволяет определять тип помещения на фотографии, анализировать и оценивать визуальную привлекательность как для конкретных комнат, так и для всего объекта недвижимости в целом, основываясь на данных для обучения.
В работе рассмотрен вопрос низкой цифровизации сферы недвижимости. Также продемонстрированы сложности, с которыми сталкиваются риэлторы, потенциальные покупатели и арендаторы ежедневно, что подтверждает необходимость разработки такой системы.
Описана архитектура разрабатываемой системы, включающая клиент-серверное взаимодействие, нейросетевой конвейер обработки изображений, а также механизмы интеграции с существующими платформами недвижимости посредством REST API. Рассмотрены ключевые функциональные и нефункциональные требования к системе, обеспечивающие высокую точность классификации и оперативную обработку изображений.
Представлены этапы информационного взаимодействия, демонстрирующие оптимизированный бизнес-процесс с применением предлагаемого решения. Разработан сценарий использования сервиса, визуализированный с помощью соответствующей диаграммы.
1. Введение
В условиях большой конкуренции бизнесу приходится адаптироваться и внедрять в свою работу информационные системы, позволяющие ускорить работу и сократить расходы. По данным исследования ИСИЭЗ НИУ ВШЭ «Индекс цифровизации отраслей экономики и социальной сферы»
, можно заметить, что сфера недвижимости является одной из самых нецифровизированных областей. Большое количество бизнес-процессов обладают проблемами, которые можно решить при помощи внедрения современных технологий. На рисунке 1 представлена гистограмма, отображающая индексы цифровизации отраслей экономики и социальной сферы.
Рисунок 1 - Индекс цифровизации отраслей экономики и социальной
Проблема, с которой сталкиваются многие риэлторы ежедневно, а также лица, находящиеся в поиске новой жилой площади – оценка визуальной составляющей недвижимости и ранжирование этих данных для ускорения доступа к ним. Такая работа имеет субъективный фактор, из-за чего внутри одного риэлторского агентства разные сотрудники формируют хаотичный массив данных. Также не исключается и человеческий фактор – допускаются ошибки, связанные с неправильной оценкой недвижимости и формированием неточных рекомендаций для клиентов. Автоматизация этого процесса позволит унифицировать результаты, ускорить процесс и исключить ошибки.
Решить эту проблему можно с помощью использования современных технологий для анализа данных, основанных на методах машинного обучения.
Нейронная сеть способна определять тип комнаты и более точно оценивать сходную с ней недвижимость. Это позволяет получать на выходе сопоставимую оценку. Внедрение этой технологии сократит затрачиваемые временные и человеческие ресурсы, даст преимущество перед конкурентами
.Испанская компания «Resb.ai» разработала ряд моделей, способных оценивать визуальную привлекательность недвижимости, ее состояние и потенциал
. Система предполагает возможность загрузки изображений объекта недвижимости и их последующую оценку по каждому из параметров. Недостатком данного решения является его ориентация на англоязычный рынок недвижимости, нестабильность потенциального сотрудничества с российскими компаниями в связи с геополитической ситуацией, а также неактуальный набор данных для оценки объектов недвижимости на территории РФ в связи с культурными различиями. Эти недостатки можно исключить, если разработать улучшенный аналогичный сервис, направленный на российский рынок недвижимости.2. Анализ требований к решению
В настоящее время подбор жилой недвижимости осуществляется вручную риэлтором или человеком, который ищет новое место для проживания, с использованием онлайн-платформ, публикующих объявления о продаже или сдаче недвижимости. Этот процесс выглядит следующим образом:
1) лицо, нуждающееся в новой жилой площади, определяет требования для ее поиска: район, цена, количество и типы комнат, стиль оформления, качество ремонта и прочее;
2) человек, осуществляющий поиск, указывает данные параметры в имеющихся фильтрах онлайн-платформ;
3) система выводит результаты, соответствующие требованиям;
4) лицо, осуществляющее отбор, рассматривает каждый объект недвижимости, отбирая наиболее соответствующие его требованиям; при этом на этом этапе часто попадаются объявления, не соответствующие ожидаемому уровню качества и визуальной привлекательности.
Рассмотренный процесс занимает значительную часть времени рабочего дня у риэлтора или человека, осуществляющего поиск нового жилья лично. В крупных городах добавление новых объектов недвижимости происходит каждый день, что приводит к огромным тратам человеко-часов.
Для оптимизации такого процесса, как оценка внешнего вида жилых помещений на основе изображений, составлены следующие функциональные требования:
1) возможность классификации комнаты на изображении;
2) балльная оценка визуальной привлекательности каждого изображения в зависимости от типа комнаты на нем;
3) агрегирование оценок отдельных помещений для формирования общей оценки объекта недвижимости;
4) возможность интеграции системы с существующими сервисами.
К нефункциональным требованиям системы относятся:
1) среднее время оценки одного объекта недвижимости должно быть не более трех секунд;
2) уровень точности классификации и оценки изображений должен превышать 90%;
3) сервис должен быть доступен круглосуточно 99,9% времени;
4) должна быть обеспечена информационная безопасность данных пользователей в соответствии с российским законодательством
.На основе разработанных требований сформирована диаграмма вариантов использования онлайн-сервиса, представленная на рисунке 2.
Рисунок 2 - Диаграмма вариантов использования сервиса
3. Архитектура и программные решения
Разрабатываемая система представляет собой клиент-серверное web-приложение, которое интегрируется с другими онлайн-сервисами в сети посредством API с применением архитектурного подхода REST.
На рисунке 3 изображена диаграмма архитектуры компонентов решения.
Рисунок 3 - Архитектура решения
1. Хранилища.
2. Сервис классификации и оценки.
3. Серверная инфраструктура.
Хранилища содержат данные об объектах недвижимости, их изображениях и результатах оценки. Основной базой данных выступает PostgreSQL, обеспечивающая долгосрочное хранение. В качестве временного хранилища, предназначенного для кэширования, используется Redis, работающая по принципу «ключ-значение». Redis позволит сократить количество обращений к основной базе данных и ускорить работу сервиса.
Сервис классификации и оценки состоит из:
- программного интерфейса, который обрабатывает запросы от клиента, реализует взаимодействие конвейера нейросетей, сохраняет результаты оценки в базу данных, а также выполняет вычислительные функции для формирования оценки объекта в целом. Программный интерфейс реализован с помощью языка Python и фреймворка FastAPI.
- конвейера нейросетей, позволяющего определить тип комнаты на изображении и оценить её внешний вид. Сам конвейер включает в себя дообученную нейросетевую модель на основе архитектуры YOLOv11 для классификации изображения комнаты, а также ряд моделей для каждого класса комнаты, оценивающих изображение в соответствии с его типом
. Модели нейросетей для оценки используют сиамскую архитектуру, построенную на Keras .Серверная инфраструктура базируется на операционной системе Ubuntu 22.04. В качестве веб-сервера выступает Nginx, который используется как reverse-proxy, принимая запросы от клиента и перенаправляя данные на программный интерфейс
. Доступ к программному интерфейсу обеспечивает Gunicorn, представляя собой мастер-процесс для асинхронных (ASGI) Uvicorn-воркеров, которые, в свою очередь, увеличивают производительность сервиса, обрабатывая несколько запросов одновременно .Предложенная архитектура позволит реализовать наиболее отказоустойчивое решение.
4. Сценарий работы онлайн-сервиса
На диаграмме последовательности, изображенной на рисунке 4, представлен стандартный процесс взаимодействия пользователя с онлайн-платформой с объявлениями по недвижимости, имеющей интеграцию с онлайн-сервисом оценки внешнего вида жилых помещений.
Рисунок 4 - Диаграмма последовательности стандартно сценария работы онлайн-сервиса
1) пользователь загружает изображения объекта на онлайн-платформу с объявлениями для продажи или сдачи недвижимости;
2) онлайн-платформа передает изображения на API онлайн-сервиса оценки внешнего вида жилых помещений для последующей обработки;
3) API сервиса направляет изображения в нейросетевую модель, предназначенную для классификации помещения по типу (гостиная, кухня, спальня и т. д.);
4) для каждого изображения выполняется определение типа комнаты;
5) классифицированные изображения передаются в нейросеть, отвечающую за оценку визуального состояния помещений;
6) оценивается визуальная привлекательность каждого изображения в соответствии с его типом;
7) после завершения обработки всех изображений, API сервиса вычисляет итоговую оценку всего объекта на основе оценок отдельных изображений;
8) изображения и полученные результаты сохраняются в базу данных;
9) API онлайн-сервиса отправляет результат работы нейросетей онлайн-платформе с объявлениями по недвижимости;
10) платформа производит необходимые действия с полученными данными.
В результате этого информационного обмена у объекта недвижимости возникает новый параметр – оценка визуальной привлекательности. Наличие этого параметра упрощает агрегирование объектов, добавляя расширенные возможности для фильтрации и сортировки. Обработка массива объектов позволит упорядочить его по визуальной оценке, упрощая поиск нужной недвижимости.
5. Заключение
В процессе исследования была сформирована архитектура системы, включающая клиент-серверное взаимодействие, нейросетевой конвейер для обработки изображений и хранилище данных. Составлен основной технологический стек программных инструментов для последующей реализации в соответствии с требованиями. Использование Rest API позволит проводить интеграцию с внешними онлайн-платформами, что дает возможность использовать сервис в существующих экосистемах недвижимости.
Разрабатываемый онлайн-сервис автоматизирует процесс оценки визуальной привлекательности жилых помещений, используя современные методы машинного обучения и нейросетевые модели. Применение данной технологии позволит значительно сократить временные затраты риэлторов и людей, находящихся в поиске новой жилой площади, минимизировать субъективность оценки и стандартизировать процесс анализа недвижимости. Внедрение подобного сервиса будет способствовать цифровизации сферы недвижимости и упростит взаимодействие между риэлторами и клиентами.
Потенциальными потребителями такого решения могут быть крупные агрегаторы онлайн-объявлений по недвижимости, частные риэлторы, государственные органы, а также строительные компании.