Τεχνητή Νοημοσύνη

ΑΦΙΕΡΩΜΑ - Ακίνητη Περιουσία

Του ΣΩΤΗΡΗ ΤΣΟΛΑΚΟΥ,
Του ΣΩΤΗΡΗ ΤΣΟΛΑΚΟΥ, Καθηγητή Αγοράς Ακινήτων – Bayes Business School, Λονδίνο και Συνιδρυτή της KappaSigma Partners

Η τεχνητή νοημοσύνη (ΤΝ) μεταμορφώνει την αγορά ακινήτων. Δεν αποτελεί αιφνίδια εξέλιξη, αλλά σηματοδοτεί μια νέα φάση στη συνεχή τεχνολογική εξέλιξη που διαμόρφωσε διαχρονικά τον κλάδο - μια εξέλιξη που έφερε τα αυτοματοποιημένα μοντέλα αποτίμησης, την ψηφιοποίηση δεδομένων, πιο ολοκληρωμένες βάσεις πληροφοριών, προηγμένα εργαλεία ανάλυσης, εικονικές περιηγήσεις και «έξυπνα» συμβόλαια και πολλά άλλα.

Σήμερα, υπάρχει σημαντικό ενδιαφέρον στο ρόλο της ΤΝ στις εκτιμήσεις και στις προγνωστικές αναλύσεις. Οι εφαρμογές ΤΝ μπορούν πλέον να παράγουν αυτοματοποιημένες εκτιμήσεις και προβλέψεις αγοράς, προσφέροντας πρόσβαση σε τεράστιους όγκους δεδομένων που οι παραδοσιακές μέθοδοι δεν μπορούν να επεξεργαστούν. Aκολουθούν δύο απλά παραδείγματα.

Παραδοσιακά, οι μεσίτες βασίζουν τις εκτιμήσεις τους για τις τιμές κατοικιών σε συγκρίσιμες συναλλαγές και σε ποιοτικούς παράγοντες, όπως τα χαρακτηριστικά της περιοχής και του κτηρίου. Η ΤΝ δίνει τη δυνατότητα ποσοτικοποίησης πολλών περισσοτέρων από αυτούς τους παράγοντες όπως δημογραφικά στοιχεία,  τοπικές παροχές, περιβαλλοντική ποιότητα, συνδεσιμότητα στις μεταφορές ή οπτικά χαρακτηριστικά από εικόνες. Όλα αυτά αναλύονται από αλγορίθμους μηχανικής μάθησης, βελτιώνοντας την ακρίβεια των αποτιμήσεων. Έτσι, η ΤΝ εμπλουτίζει τις παραδοσιακές προσεγγίσεις, συμπληρώνοντας την ανθρώπινη κρίση με την ικανότητα αναγνώρισης προτύπων σε πολυδιάστατα δεδομένα.

Οι αποτιμήσεις στην εμπορική αγορά είναι σαφώς πιο σύνθετες και απαιτούν υψηλή εξειδίκευση. Οι εκτιμητές διενεργούν αναλύσεις προεξοφλημένων ταμειακών ροών (Discounted Cash Flows-DCF) για γραφεία, αποθήκες, εμπορικά κέντρα και πολυμισθωμένα κτήρια, καθένα από τα οποία διαθέτει ιδιαίτερα χαρακτηριστικά. Ένα πολυμισθωμένο κτήριο γραφείων, για παράδειγμα, μπορεί να διαφοροποιείται ως προς το μείγμα των ενοικιαστών, τη δομή των μισθώσεων ή τις προοπτικές αύξησης των ενοικίων. Η τεχνητή νοημοσύνη μπορεί να ενσωματώνει αυτά τα δεδομένα και, μέσω τεχνικών μηχανικής μάθησης, να προσομοιώνει ταμειακές ροές, να εκτελεί τεχνικές αναλύσεις και να εκτιμά την αγοραία αξία σύνθετων ακινήτων ή ολόκληρων χαρτοφυλακίων.

Η ΤΝ μπορεί έτσι να λειτουργήσει ως εισροή τόσο σε απλές όσο και σε σύνθετες εκτιμήσεις. Τα οφέλη της είναι μεγαλύτερα σε περιόδους χαμηλής δραστηριότητας, όταν οι συναλλαγές μειώνονται και τα συγκρίσιμα δεδομένα είναι περιορισμένα. Σε τέτοιες φάσεις, η ΤΝ μπορεί να παρέχει ενδεικτικές τιμές, συνδυάζοντας διαθέσιμα δεδομένα αγοράς και του ακινήτου. Δεν αντικαθιστά την ανθρώπινη κρίση, αλλά τη στηρίζει, προσφέροντας ένα αντικειμενικό σημείο εκκίνησης σε περιόδους αβεβαιότητας.

Επιπλέον, θεσμικοί επενδυτές με μεγάλα χαρτοφυλάκια  - όπως συνταξιοδοτικά ταμεία και επενδυτικά κεφάλαια -  απαιτούν συχνές εκτιμήσεις, συνήθως σε τριμηνιαία βάση. Οι υπάρχουσες αυτοματοποιημένες μέθοδοι μπορούν να ενισχυθούν με εισροές ΤΝ, παρέχοντας πιο συνεπείς και πλούσιες σε δεδομένα εκτιμήσεις της αξίας του χαρτοφυλακίου.

Το ερώτημα

Ένα εύλογο ερώτημα είναι ποια θα είναι η επίδραση της ΤΝ στη συμπεριφορά της αγοράς. Στο άμεσο μέλλον οι αλγόριθμοι ΤΝ θα είναι εύκολα προσβάσιμοι ως λογισμικό ή εφαρμογές. Πιθανότατα αγοραστές και πωλητές θα εισέρχονται στην αγορά έχοντας στο μυαλό τους τιμές που προτείνει η ΤΝ. Θα μεταβάλουν αυτές οι προσδοκίες ουσιαστικά τη δυναμική της αγοράς;  Ένας πωλητής δύσκολα θα απορρίψει όλες τις προσφορές κάτω από μια τιμή που του υποδεικνύει η ΤΝ, και η αγορά δεν θα «παγώσει» από άκαμπτη προσκόλληση σε ΤΝ εκτιμήσεις. Η διαπραγμάτευση και η ανθρώπινη κρίση θα παραμείνουν αναντικατάστατες.

Στην πιο ανεπτυγμένη θεσμική αγορά ακινήτων, η διαφάνεια αποτελεί θεμελιώδη αρχή. Οι θεσμικοί επενδυτές, όπως τα συνταξιοδοτικά ταμεία και οι εταιρείες επενδύσεων, διαχειρίζονται αποταμιεύσεις του κοινού με κύριο στόχο τη διατήρηση του κεφαλαίου. Οι αποφάσεις τους υπόκεινται σε έλεγχο από επιτροπές διαχείρισης κινδύνου και επενδυτικά συμβούλια, τα οποία απαιτούν σαφή κατανόηση των παραγόντων που επηρεάζουν την αξία του χαρτοφυλακίου. Ωστόσο, τα υποδείγματα τεχνητής νοημοσύνης δεν είναι εγγενώς διαφανή – τουλάχιστον για όσους δεν διαθέτουν τεχνικό υπόβαθρο. Αν και η ΤΝ μπορεί να εντοπίζει νέες τάσεις μέσω της ανάλυσης μεγάλων όγκων δεδομένων, ο ρόλος της παραμένει συμπληρωματικός: προσφέρει νέες οπτικές, ενώ η τελική επικύρωση των επενδυτικών αποφάσεων συνεχίζει να ανήκει στους έμπειρους επαγγελματίες, διασφαλίζοντας τη διαφάνεια που απαιτείται.

Η τεχνητή νοημοσύνη έχει εμφανιστεί με μεγάλες προσδοκίες. Ωστόσο, η πραγματική της δοκιμασία έγκειται στην αποδεδειγμένη ακρίβεια των αποτελεσμάτων που παράγει. Η ακαδημαϊκή κοινότητα έχει καίριο ρόλο να διαδραματίσει στην αξιολόγηση και την ανάδειξη της προστιθέμενης αξίας των νέων μεθόδων που βασίζονται όχι μόνο στην ΤΝ, αλλά και σε άλλα υπόβαθρα. Υπάρχει μακρά παράδοση στον κλάδο στη σύγκριση της ακρίβειας εκτιμήσεων ακινήτων και προβλέψεων αγοράς μεταξύ διαφορετικών προσεγγίσεων. Συνεπώς, οι ποικίλες μεθοδολογίες τεχνητής νοημοσύνης θα πρέπει να αξιολογηθούν συστηματικά, ώστε η ακαδημαϊκή έρευνα να καθοδηγεί με τεκμηριωμένο τρόπο την πρακτική του κλάδου.

Παραμένω πεπεισμένος ότι η ΤΝ προσθέτει ουσιαστική αξία στην εκτίμηση ακινήτων και στις προγνωστικές αναλύσεις - δύο καίριους τομείς της αγοράς ακινήτων. Όπως συνέβη και με προηγούμενες τεχνολογικές εξελίξεις, η κριτική αξιολόγηση της συμβολής της θα συμβάλει τελικά στην πρόοδο και τη συνεχή εξέλιξη του κλάδου.