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»
[1]
Индекс цифровизации отраслей экономики и социальной
[2]
Проблема, с которой сталкиваются многие риэлторы ежедневно, а также лица, находящиеся в поиске новой жилой площади
––
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
[3]
Испанская компания «Resb.ai» разработала ряд моделей, способных оценивать визуальную привлекательность недвижимости, ее состояние и потенциал
[4]
2. Анализ требований к решению
В настоящее время подбор жилой недвижимости осуществляется вручную риэлтором или человеком, который ищет новое место для прож
и
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
[5]
На основе разработанных требований сформирована диаграмма вариантов использования онлайн-сервиса, представленная на рисунке 2.
Диаграмма вариантов использования сервиса
[6]
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.
Архитектура решения
1. Хранилища.
2. Сервис классификации и оценки.
3. Серверная инфраструктура.
- 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
[7][8]
[9][10]
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.
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.