Mit den heutigen Fortschritten in der AI Technologie kann das, was früher komplex und mühsam war, jetzt schnell und effizient erledigt werden. Eines dieser Beispiele ist die Abfrage historischer Mietverträge. Mit einer maßgeschneiderten generativen AI Lösung kann eine sichere Sandbox-Umgebung geschaffen werden, in die alle historischen Immobilienmietverträge hochgeladen werden.

Dadurch kann jeder Nutzer innerhalb des Unternehmens auf einen Chatbot zugreifen und ihm in natürlicher Sprache Fragen zu allen Aspekten der Mietverträge stellen. Dies wird im Wesentlichen zu einem dynamischen Tool für die Verwaltung von Mietverträgen, das allen Nutzern in kürzester Zeit unglaubliche Erkenntnisse liefert.

Was ist das Problem?

Heutzutage müssen die meisten Vermieter mit riesigen Mengen an historischen Mietverträgen jonglieren. Diese werden in der Regel in umfangreichen und komplexen Tabellenkalkulationen oder gelegentlich in spezieller Mietverwaltungssoftware zusammengefasst. Bestehende Lösungen sind statisch, starr und ineffizient, was zu Frustration führen kann. Außerdem sind sie nicht flexibel genug und bieten nur einige Einblicke mit begrenzter Funktionalität. Jede Frage, die über die vorgeschriebenen KPIs hinausgeht, erfordert das manuelle Lesen von (oft Hunderten, wenn nicht Tausenden von) Mietverträgen. Das Insights-Team wendet viel Zeit auf, um Präsentationen von Portfolios und Mietverträgen zu erstellen, wodurch den Führungskräften zeitkritische Erkenntnisse vorenthalten werden, die die Entscheidungsfindung erleichtern würden.

Was ist die Lösung?

Um die Probleme von Immobilienmanagern direkt anzugehen, hat Artefact sein eigenes Tool Lease Explorer entwickelt. Dabei handelt es sich um ein speziell entwickeltes und benutzerdefiniertes Tool, das den schnellen Einsatz leistungsstarker Large Language Models (LLMs) innerhalb einer proprietären Sandbox-Umgebung ermöglicht, die historische Immobilienmietverträge enthält. Immobilienmanager können dann ihre eigenen historischen Mietverträge direkt mit Hilfe einer ChatGPT-ähnlichen Schnittstelle abfragen.

Der Lease Explorer besteht aus fünf großen Schritten:

  • Aufnahme von Mietverträgen: Hochladen aller historischen Mietverträge auf eine gemeinsame Plattform data .

  • Extraktion und Aufbereitung von Schlüsselinformationen: Je nach Maschinenlesbarkeit der Mietverträge werden verschiedene Tools zur Informationsextraktion eingesetzt, darunter OCR (Optical Character Recognition) und Web Crawling. Anschließend werden die Informationen verarbeitet und die wichtigsten Elemente in ein tabellarisches Format extrahiert.

  • Q&A Chatbot: Es wird eine einfache Q&A-Chatbot-Schnittstelle eingerichtet, über die Führungskräfte Fragen in natürlicher Sprache stellen können.

  • Abrufen von Informationen: Die ursprüngliche Anfrage und die abgerufenen relevanten Informationsquellen werden an das LLM weitergeleitet.

  • LLM-Antwortgenerierung: Der LLM generiert eine kohärente Antwort an den Nutzer, um seine Frage zu beantworten, zusammen mit den abgerufenen Quellen.

Es versteht sich von selbst, dass die Einführung eines solchen Instruments wie oben beschrieben eine Phase des Änderungsmanagements erfordert, da neue Geschäftsprozesse und Arbeitsweisen eingeführt werden müssen.

class="img-responsive

Welche Art von Fragen in natürlicher Sprache könnten beantwortet werden?

Bei der Implementierung von Lease Explorer stellen wir einige natürlichsprachliche Fragen, die ein Immobilienmanager dem ChatBot des Tools stellen könnte. Natürlich hängt das Ausmaß, in dem das Tool eine genaue Antwort auf die nachstehende, nicht erschöpfende Frageliste geben kann, von der Qualität, Struktur und Verfügbarkeit der Eingabe data ab, die den Zugang zu Informationen erfordern kann, die über die in einem Mietvertragsdokument enthaltenen Informationen hinausgehen.

  • Wie viele Mietverträge von Erstmietern mit unserer Organisation stehen in den nächsten sechs Monaten zur Erneuerung an? Wo befinden sich die Wohnungen und wie hoch ist die Durchschnittsmiete für diese Wohnungen?

  • Wie hoch ist der Wert der Mietverträge, die im nächsten Jahr zur Erneuerung anstehen?

  • Können Sie meine bevorstehenden Mietausläufe nach Monat/Jahr aufgeschlüsselt grafisch darstellen?

  • Können Sie mir sagen, wie viel Prozent meiner derzeitigen Mietverträge (nach Wert) auf Büros entfallen? Gemischte Nutzung?

  • Wie viele Zahnärzte mieten sich bei mir ein? Wie groß ist die durchschnittliche Quadratmeterzahl ihrer Mietverträge? Können Sie das für mich in einem Diagramm darstellen?

  • Wie viele gewerbliche Mieter haben in den letzten zwei Jahren Verlängerungsoptionen ausgeübt?

  • Wie lange ist die durchschnittliche Mietdauer von (gewerblichen) Mietern in einem bestimmten Gebiet (Zone 1)?

  • Welche ungewöhnlichen Eskalationsklauseln sind in den letzten drei Jahren in unserem Portfolio aufgetreten?

  • Können Sie mir einen Vergleich der Mietkonditionen zwischen Einzelhandelsimmobilien in Einkaufszentren und freistehenden Geschäftsräumen zeigen?

  • Wie hoch ist die durchschnittliche Kaution, die in den letzten zwei Jahren in unseren Mietverträgen verlangt wurde?

  • Können Sie eine Aufschlüsselung der Mieteinnahmen unseres Portfolios nach geografischen Gebieten (Stadt, Landkreis usw.) vornehmen?

  • Wie viele gewerbliche Mietverträge enthalten Optionen zur Untervermietung, und wie viel Prozent der Mieter haben von dieser Option Gebrauch gemacht?

  • Wie viel Prozent unserer gewerblichen Mietverträge enthalten Mietminderungsklauseln, und wie lang ist die durchschnittliche Dauer der Mietminderungsfristen?

  • Welcher Anteil des Portfolios hat Mietverträge mit einer in den nächsten sechs Monaten fälligen Kündigungsklausel?

Welche Vorteile ergeben sich daraus?

Die Einführung eines Tools wie Enterprise ChatGPT ( AI ) wird Immobilienfachleuten eine Reihe von Vorteilen bringen. Zum einen dürfte das Tool die Geschwindigkeit, mit der Einblicke gewonnen werden können, grundlegend verändern und damit den Entscheidungsträgern einen schnellen Zugang zu wichtigen Informationen ermöglichen. Darüber hinaus wäre die Skalierbarkeit und Anpassungsfähigkeit eines solchen Tools für die Aufnahme eines ständig wachsenden Volumens von Mietverträgen data von unschätzbarem Wert, um die Zukunftsfähigkeit eines Immobilienunternehmens im Hinblick auf die steigenden Anforderungen der Branche zu unterstützen.

Die Einführung eines solchen Tools wird wahrscheinlich auch intern in einer Immobilienorganisation einen Wandel bewirken. Die Einführung eines AI Tools wird die Abhängigkeit von bisher manuellen Prozessen bei der Abfrage von Mietverträgen minimieren. Anstatt sich auf die Unbestechlichkeit einer Tabellenkalkulation und die kontinuierliche Arbeit des Verwaltungspersonals zu verlassen, wäre ein AI Tool in der Lage, die in natürlicher Sprache formulierten Fragen von Führungskräften direkt aufzunehmen und zeitnah präzise Antworten zu geben. Im Wesentlichen wird der übermäßige Rückgriff auf Schlüsselabhängigkeiten für die Suche und den Abruf von data reduziert, und es besteht für die Führungskräfte die Möglichkeit, die für den Prozess der Erkenntnisgewinnung erforderlichen Ressourcen zu reduzieren. Um den größtmöglichen Nutzen aus einem solchen AI Tool zu ziehen, muss sich ein Unternehmen einem transformativen data Hygieneprozess unterziehen, der die internen Schwellenwerte des data Managements anhebt, da die gewonnenen Erkenntnisse immer nur so gut sein können wie die gesammelten Informationen.

GenAI bietet darüber hinaus bestimmte Vorteile für ein solches Werkzeug gegenüber herkömmlichen AI / ML-Lösungen. Traditionell wurden große Mengen an gelabelten data benötigt, um ein Modell für eine bestimmte Aufgabe zu trainieren und zu bewerten. Dies ist dank der generativen AI nicht mehr erforderlich, was die Entwicklung solcher Lösungen beschleunigt. Darüber hinaus ermöglicht es die generative AI , dass sich Lösungen weiterentwickeln und verändern können, ohne dass massive zusätzliche Nacharbeiten und Entwicklungen erforderlich sind - die Lösungen können flexibler und weniger starr sein.

Wie wird die Genauigkeit festgestellt?

Die erstmalige Implementierung eines neuartigen Tools ( AI ) und dessen Befähigung, mit einer einfachen Eingabeaufforderung aussagekräftige Erkenntnisse über Führungskräfte zu generieren, kann zweifellos entmutigend sein, insbesondere angesichts des viel zitierten Nachteils von GenAI, nämlich "Halluzinationen". Die folgenden Schritte sollten, wenn sie gemeinsam durchgeführt werden, genügend Sicherheit bieten, um sicherzustellen, dass der beste Nutzen aus dem Tool gezogen werden kann.

  • Iteration der Definition von AI mit den tatsächlichen Mietvertragsunterlagen, so dass das Modell über genügend branchen- und unternehmensspezifischen Kontext verfügt, um Antworten zu liefern.

  • Kontinuierliche Validierung von Prozessen zur Verfeinerung der Modellleistung und zur Verbesserung der Genauigkeit mit einem Menschen in der Schleife (d. h. ein Mensch validiert die Antworten des Modells).

  • Anwendung eines "Test-and-Learn"-Ansatzes, bei dem das Feedback der zuständigen Prüfer in die Lösung einfließt.

  • Erstellung von detaillierten Schritt-für-Schritt-Anweisungen und Leitplanken, um sicherzustellen, dass die Zwischen- und Endergebnisse korrekt, unternehmensspezifisch und ohne Halluzinationen sind.

  • Durchführung regelmäßiger Qualitätssicherungskontrollen zur Überprüfung der Richtigkeit der Informationen.

  • Verwendung einer Reihe von Testfragen und -antworten zur Validierung des Modells, um die Stärken und Schwächen des Systems zu ermitteln und so die Verbesserung der Aufforderungen und den Bedarf an zusätzlichen Bausteinen und Leitplanken zu erleichtern.

Welche Einschränkungen bestehen?

Damit diese Lösung wie gewünscht funktioniert, müssen einige Überlegungen angestellt werden. Erstens wäre das Modell aufgrund der Besonderheiten des Immobiliensektors in Bezug auf den Standort und die Gesetzgebung höchstwahrscheinlich auf britische Mietverträge beschränkt. Der Lease Explorer hätte keine Vorhersagefähigkeiten, da nur historische Leistungen aus bestehenden Dokumenten abgefragt würden.

Darüber hinaus hat der Lease Explorer, wie jedes GenAI-basierte Tool, mit unklaren und vagen Benutzeraufforderungen zu kämpfen, die möglicherweise nicht die gewünschten Ergebnisse liefern. Daher ist es immer empfehlenswert, Fragen an die Chat-Schnittstelle richtig zu formulieren, ähnlich wie man eine Frage an einen Analysten in seinem Immobilienteam stellen würde.

Es ist wichtig zu beachten, dass das Lesen und Verarbeiten von PDF-Dokumenten in ein maschinenlesbares Format OCR (Optical Character Recognition) als notwendigen Schritt im Einleseprozess erfordert. Dokumente, die nicht maschinenlesbar sind oder ein komplexes Seitenformat und eine komplexe Struktur haben, werden möglicherweise nicht korrekt eingelesen, was sich auf Aufgaben wie die Extraktion von Informationen und die Bereitstellung zuverlässiger Antworten auswirken kann.

Außerdem sind zur Beantwortung analytischer quantitativer Fragen weitere Verfahren erforderlich:

  • Extraktion von Schlüsselinformationen aus den Mietverträgen und Überführung dieser extrahierten Attribute in eine strukturierte und tabellarische Form in einer Datenbank. Dieser Prozess kann auch mit generativen AI automatisiert werden und bietet Vorteile gegenüber der manuellen Extraktion in Bezug auf Entwicklungs- und Bereitstellungszeit. Die extrahierten data können auch als Quelle data für herkömmliche Business-Dashboards und reports verwendet werden, was diese Aufgabe in einen wertvollen Business Use Case verwandelt. Beachten Sie, dass dieser Schritt nur dann erforderlich ist, wenn die data , die abgefragt werden soll, nicht bereits in einer Datenbank in strukturierter Form vorhanden ist.

  • Verwenden Sie die generative AI , um die aus den Dokumenten extrahierte strukturierte data abzufragen, indem Sie die von den Nutzern gestellten natürlichsprachlichen Fragen in SQL-Code umwandeln, der dann auf den tabellierten data ausgeführt wird. Die unstrukturierten Dokumente können auch verwendet werden, um beide Quellen von data zu nutzen und so ein System zu schaffen, das im Handumdrehen umfangreiche quantitative Erkenntnisse liefert.

Kosten und Anforderungen

Die Einführung und Anpassung des Tools Lease Explorer von Artefactwürde voraussichtlich etwa 45 000 £ kosten und je nach den gewählten Funktionen mindestens vier Wochen Zusammenarbeit erfordern. Dies würde natürlich unter der Annahme geschehen, dass alle hochgeladenen Mietverträge maschinenlesbar, im Wesentlichen ähnlich und in englischer Sprache sind. Nach der Einführung von Lease Explorer wäre ein laufendes Abonnement für jedes GenAI LLM erforderlich, das zur Erstellung des benutzerdefinierten Tools verwendet wird.

Warum Artefact?

Artefact ist ein führendes globales Beratungsunternehmen, das die Einführung von data und AI beschleunigt, um Menschen und Organisationen positiv zu beeinflussen. Wir sind spezialisiert auf data Transformation und data Marketing, um greifbare Geschäftsergebnisse in der gesamten Wertschöpfungskette von Unternehmen zu erzielen. Artefact bietet das umfassendste Angebot an data Lösungen, die auf fundierter data Wissenschaft und modernsten AI Technologien basieren und AI Projekte in großem Umfang im Immobiliensektor in Großbritannien durchführen.

Wir sind vertrauenswürdige Partner für Immobilienunternehmen in den Bereichen Wohnen, Gewerbe, Industrie und spezielle Anlageklassen. Zu unseren Partnern gehören börsennotierte FTSE-350-Unternehmen und private Organisationen ähnlicher Größe. Unser engagiertes Immobilienteam verfügt über mehr als 20 Jahre Erfahrung in den Bereichen Immobilienbewertung, Stadtplanung, Entwicklung und Finanzierung und besteht aus Experten und Fachleuten.

Unsere bisherige Arbeit reicht von der Entwicklung dynamischer Strategien mit unseren Kunden ( data), die sie darüber informieren, wo sie spielen und wie sie auf den von ihnen gewählten Märkten gewinnen können, bis hin zu größeren operativen Veränderungen, wie der Einführung neuer Geschäftszweige und Angebote. Wir haben in jeder Phase des Immobilienlebenszyklus gearbeitet, vom Grundstückserwerb bis zur laufenden Instandhaltung, und wir haben mit unseren Kunden zusammengearbeitet, um diese Prozesse wissenschaftlich zu verbessern.