Autor

Christopher de Gruben

DIREKTOR UND LEITER DER ABTEILUNG FÜR KUNSTGÜTER BEI ARTEFACT

Autor

Nimesh Patel

BERATUNGSLEITER BEI ARTEFACT

Autor

Marta Aliu Carrascosa

SENIOR DATA BEI ARTEFACT

Dank der heutigen Fortschritte in AI lassen sich Aufgaben, die früher komplex und mühsam waren, nun schnell und effizient erledigen. Ein Beispiel hierfür ist die Auswertung historischer Mietverträge. Mit einer maßgeschneiderten generativen AI lässt sich eine sichere Sandbox-Umgebung einrichten, in die alle historischen Immobilienmietverträge hochgeladen werden können.

Dadurch kann jeder Mitarbeiter des Unternehmens auf einen Chatbot zugreifen und ihm Fragen in natürlicher Sprache zu allen Aspekten der Mietverträge stellen. Im Grunde genommen handelt es sich dabei um ein dynamisches Tool zur Mietvertragsverwaltung, das allen Nutzern auf Knopfdruck unglaubliche Einblicke liefert.

Wo liegt das Problem?

Heutzutage müssen die meisten Vermieter mit einer riesigen Menge an historischen Mietverträgen jonglieren. Diese werden in der Regel in umfangreichen und komplexen Tabellenkalkulationen oder gelegentlich in spezieller Mietvertragsverwaltungssoftware zusammengefasst. Bestehende Lösungen sind statisch, unflexibel und ineffizient, was zu Frustrationen führen kann. Außerdem sind sie nicht flexibel genug und bieten nur begrenzte Einblicke mit eingeschränkter Funktionalität. Jede Frage, die über die vorgegebenen KPIs hinausgeht, erfordert das manuelle Durchsehen von (oft Hunderten, wenn nicht Tausenden von) Mietverträgen. Das Analyseteam verbringt viel Zeit damit, Präsentationen zu Portfolios und Mietverträgen zu erstellen, wodurch Führungskräften zeitkritische Erkenntnisse vorenthalten werden, die die Entscheidungsfindung unterstützen würden.

Was ist die Lösung?

Um den größten Sorgen der Führungskräfte in der Immobilienbranche direkt entgegenzuwirken, Artefact sein firmeneigenes Tool „Lease Explorer“ entwickelt. Dabei handelt es sich um ein speziell entwickeltes und maßgeschneidertes Tool, das den schnellen Einsatz leistungsstarker großer Sprachmodelle (Large Language Models, LLMs) in einer isolierten, firmeneigenen Umgebung ermöglicht, die historische Immobilienmietverträge enthält. Führungskräfte in der Immobilienbranche können dann ihre eigenen historischen Mietverträge direkt über eine ChatGPT-ähnliche Benutzeroberfläche abfragen.

Der Lease Explorer umfasst fünf grundlegende Schritte:

  • Erfassung von Mietverträgen: Hochladen aller bisherigen Mietverträge auf eine gemeinsame data .

  • Extraktion und Aufbereitung wichtiger Informationen: Je nach der maschinellen Lesbarkeit der Mietverträge kommen verschiedene Tools zur Informationsextraktion zum Einsatz, darunter optische Zeichenerkennung (OCR) und Web-Crawling. Anschließend werden die Informationen verarbeitet und die wesentlichen Elemente in ein tabellarisches Format extrahiert.

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

  • Informationsgewinnung: Die ursprüngliche Suchanfrage und die gefundenen relevanten Informationsquellen werden an das LLM weitergeleitet.

  • Generierung von Antworten durch das LLM: Das LLM generiert eine schlüssige Antwort an den Nutzer, um dessen Frage zu beantworten, zusammen mit den abgerufenen Quellen.

Es versteht sich von selbst, dass die Einführung eines solchen Tools eine Phase des Change Managements erfordern würde, da neue Geschäftsprozesse und Arbeitsweisen eingeführt werden müssten.

class="lazyload

Welche Fragen in natürlicher Sprache könnten beantwortet werden?

Im Zusammenhang mit der Einführung von Lease Explorer stellen wir einige Fragen in natürlicher Sprache vor, die ein Immobilienmanager dem Chatbot des Tools stellen könnte. Inwieweit das Tool die unten aufgeführten – bei weitem nicht vollständigen – Fragen präzise beantworten kann, hängt natürlich von der Qualität, Struktur und Verfügbarkeit der data ab, wofür unter Umständen Zugriff auf Informationen erforderlich ist, die über die reinen Angaben im Mietvertrag hinausgehen.

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

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

  • Können Sie mir meine anstehenden Mietvertragsabläufe nach Monat und Jahr aufgeschlüsselt grafisch darstellen?

  • Können Sie mir sagen, wie hoch der prozentuale Anteil (wertmäßig) an Büros und gemischt genutzten Flächen bei meinen derzeitigen Mietverträgen ist?

  • Wie viele Zahnärzte mieten bei mir? Wie groß ist die durchschnittliche Mietfläche? Können Sie mir das in einem Diagramm darstellen?

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

  • Wie lang ist die durchschnittliche Mietdauer für (gewerbliche) Mieter 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 Mietbedingungen für Einzelhandelsimmobilien in Einkaufszentren und für freistehende Gewerbeimmobilien zeigen?

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

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

  • In wie vielen gewerblichen Mietverträgen sind Untervermietungsoptionen vorgesehen, und wie viel Prozent der Mieter haben von dieser Option Gebrauch gemacht?

  • Wie hoch ist der Anteil unserer gewerblichen Mietverträge, die Mietminderungsklauseln enthalten, und wie lange dauern diese Mietminderungszeiträume im Durchschnitt?

  • Wie hoch ist der Anteil der Mietverträge im Portfolio, deren Kündigungsfrist in den nächsten sechs Monaten abläuft?

Welche Vorteile ergeben sich daraus?

Der Einsatz eines AI wie Enterprise ChatGPT bringt Immobilienfachleuten eine Reihe von Vorteilen. Zum einen dürfte das Tool einen grundlegenden Wandel hinsichtlich der Geschwindigkeit bewirken, mit der Erkenntnisse gewonnen werden können, und Entscheidungsträgern dadurch durch den schnellen Zugriff auf wichtige Informationen erhebliche Vorteile verschaffen. Darüber hinaus data die Skalierbarkeit und Anpassungsfähigkeit eines solchen Tools, das ein ständig wachsendes Volumen an data verarbeiten kann, von unschätzbarem Wert, um ein Immobilienunternehmen für die steigenden Anforderungen der Branche zukunftssicher zu machen.

Die Einführung eines solchen Tools dürfte auch innerhalb eines Immobilienunternehmens zu einer grundlegenden Veränderung führen. Durch den Einsatz eines AI wird die Abhängigkeit von bisher manuellen Prozessen bei der Auswertung von Mietverträgen auf ein Minimum reduziert. Anstatt sich auf die Fehlerfreiheit einer Tabellenkalkulation und die kontinuierliche Verfügbarkeit wichtiger Verwaltungsmitarbeiter zu verlassen, wäre ein AI in der Lage, die Fragen der Führungskräfte direkt in natürlicher Sprache aufzunehmen und zeitnah präzise Antworten zu liefern. Im Wesentlichen wird die übermäßige Abhängigkeit von Schlüsselpersonen bei data und -abfrage verringert, und Führungskräfte haben die Möglichkeit, den Ressourcenbedarf im Prozess der Erkenntnisgewinnung zu reduzieren. Um den größtmöglichen Nutzen aus einem solchen AI zu ziehen, muss ein Unternehmen bei der Einführung wahrscheinlich einen transformativen Prozess data durchlaufen, wodurch die internen Standards des data angehoben werden, da die gewonnenen Erkenntnisse nur so gut sein können wie die zusammengetragenen Informationen.

GenAI bietet für solche Tools zudem gewisse Vorteile gegenüber herkömmlichen AI . Bislang data zur Schulung und Bewertung eines Modells für eine bestimmte Aufgabe riesige Mengen an beschrifteten data erforderlich. Dank generativer AI ist dies nicht mehr notwendig, was die Entwicklung solcher Lösungen beschleunigt. Darüber hinaus AI generative AI , dass sich Lösungen weiterentwickeln und anpassen können, ohne dass dafür umfangreiche Nacharbeiten und Entwicklungsaufwände erforderlich sind – Lösungen können flexibler und weniger starr gestaltet werden.

Wie wird die Genauigkeit festgestellt?

Die erstmalige Implementierung eines neuartigen AI und dessen Fähigkeit, allein anhand einer Eingabeaufforderung aussagekräftige Erkenntnisse für Führungskräfte zu generieren, kann zweifellos eine Herausforderung darstellen, insbesondere angesichts des oft zitierten Nachteils von GenAI, nämlich der „Halluzinationen“. Die folgenden Schritte sollten, wenn sie gemeinsam umgesetzt werden, ausreichende Sicherheitsvorkehrungen bieten, um sicherzustellen, dass der größtmögliche Nutzen aus dem Tool gezogen werden kann.

  • Iteratives Trainieren einer AI der tatsächlichen Mietvertragsdokumente, sodass das Modell über genügend branchen- und unternehmensspezifischen Kontext verfügt, um Antworten zu liefern.

  • Kontinuierliche Validierung von Prozessen zur Optimierung der Modellleistung und zur Verbesserung der Genauigkeit unter Einbeziehung eines Menschen (d. h. durch die Überprüfung der Modellergebnisse durch einen Menschen).

  • Ein „Test-and-Learn“-Ansatz, bei dem das Feedback der zuständigen Prüfer in die Lösung einfließt.

  • Erstellung detaillierter Schritt-für-Schritt-Anleitungen und Leitlinien, um sicherzustellen, dass die Zwischen- und Endergebnisse korrekt, unternehmensspezifisch und frei von Fehlinterpretationen sind.

  • Durchführung regelmäßiger Qualitätssicherungsprüfungen zur Überprüfung der Richtigkeit der Informationen.

  • Durch den Einsatz einer vielfältigen Auswahl an Testfragen und -antworten wird das Modell validiert, um die Stärken und Schwächen des Systems zu ermitteln und so die Verbesserung der Eingabeaufforderungen sowie den Bedarf an zusätzlichen Bausteinen und Sicherheitsvorkehrungen zu ermitteln.

Welche Einschränkungen gibt es?

Damit diese Lösung wie gewünscht funktioniert, sind einige Aspekte zu berücksichtigen. Erstens wäre das Modell aufgrund der Besonderheiten des Immobiliensektors in Bezug auf Standort und Gesetzgebung höchstwahrscheinlich auf Mietverträge im Vereinigten Königreich beschränkt. Der „Lease Explorer“ hätte keine Prognosefunktionen, da lediglich die historische Entwicklung aus bestehenden Dokumenten ausgewertet würde.

Darüber hinaus würde der Lease Explorer, wie jedes auf GenAI basierende Tool, Schwierigkeiten mit unklaren und vagen Benutzeranfragen haben, die möglicherweise nicht zu den gewünschten Ergebnissen führen. Daher wird stets empfohlen, Fragen an die Chat-Oberfläche sorgfältig zu formulieren, ähnlich wie man eine Frage an einen Analysten im eigenen Immobilien-Team stellen würde.

Es ist wichtig zu beachten, dass das Einlesen und die Verarbeitung von PDF-Dokumenten in ein maschinenlesbares Format OCR (optische Zeichenerkennung) als notwendigen Schritt im Erfassungsprozess erfordern. Dokumente, die nicht maschinenlesbar sind oder ein komplexes Seitenformat und eine komplexe Struktur aufweisen, werden möglicherweise nicht korrekt erfasst, was sich in der Folge wahrscheinlich auf Aufgaben wie die Extraktion von Informationen und die Bereitstellung zuverlässiger Antworten auswirkt.

Um quantitative analytische Fragen zu beantworten, sind darüber hinaus weitere Schritte erforderlich:

  • Extraktion wichtiger Informationen aus den Mietverträgen und Speicherung dieser extrahierten Attribute in strukturierter und tabellarischer Form in einer Datenbank. Dieser Prozess lässt sich auch mit generativer AI automatisieren, was gegenüber der manuellen Extraktion Vorteile hinsichtlich der Entwicklungs- und Bereitstellungszeit bietet. Die data können zudem als data herkömmliche Business-Dashboards und reports verwendet werden, wodurch diese Aufgabe zu einem wertvollen Anwendungsfall für das Unternehmen wird. Beachten Sie, dass dieser Schritt nur erforderlich ist, wenn die data analysierenden data nicht bereits in strukturierter Form in einer Datenbank verfügbar sind.

  • Nutzen Sie generative AI die aus den Dokumenten data strukturierten data abzufragen, wobei die von den Benutzern in natürlicher Sprache gestellten Fragen in SQL-Code umgewandelt werden, der anschließend auf die tabellarischen data angewendet wird. Auch die unstrukturierten Dokumente können genutzt werden, um beide data zu erschließen und so ein System bereitzustellen, das im Handumdrehen aussagekräftige quantitative Erkenntnisse liefert.

Kosten und Voraussetzungen

Die Implementierung und Anpassung des „Lease Explorer“-Tools Artefactwürde voraussichtlich ab ca. 45.000 £ kosten und je nach den gewählten Funktionen mindestens vier Wochen gemeinsamer Arbeit erfordern. Dies setzt natürlich voraus, dass die hochgeladenen Mietverträge alle maschinenlesbar, im Wesentlichen ähnlich und in englischer Sprache verfasst sind. Nach der Implementierung des „Lease Explorer“ wäre ein laufendes Abonnement für jedes GenAI-LLM erforderlich, das zur Erstellung des maßgeschneiderten Tools verwendet wird.

Warum Artefact?

Artefact ein weltweit führendes Beratungsunternehmen, das sich darauf spezialisiert hat, die Nutzung von data AI voranzutreiben, AI positive Auswirkungen auf Menschen und Organisationen AI . Wir sind auf data und data spezialisiert, um greifbare Geschäftsergebnisse entlang der gesamten unternehmensweiten Wertschöpfungskette zu erzielen. Artefact das umfassendste Portfolio an data Lösungen, die auf fundierten data und modernsten AI basieren, und realisiert groß angelegte AI in der gesamten Immobilienbranche im Vereinigten Königreich.

Wir sind ein zuverlässiger Partner für Immobilienunternehmen in den Bereichen Wohn-, Gewerbe-, Industrie- und Spezialimmobilien. Zu unseren Partnern zählen an der FTSE 350 notierte Unternehmen sowie private Organisationen vergleichbarer Größe. Mit über 20 Jahren Erfahrung in der Immobilienbranche verfügt unser engagiertes Immobilienteam über Experten und zertifizierte Fachleute in den Bereichen Immobilienbewertung, Stadtplanung, Projektentwicklung und Finanzierung.

Unsere bisherigen Projekte reichen von der Entwicklung data dynamischer Strategien gemeinsam mit unseren Kunden – wobei wir ihnen aufzeigen, wo sie in ihren Zielmärkten aktiv werden und wie sie dort erfolgreich sein können – bis hin zu umfassenden operativen Umstrukturierungen, wie beispielsweise der Gründung neuer Geschäftsbereiche und der Entwicklung neuer Angebote. Wir haben in jeder Phase des Immobilienlebenszyklus gearbeitet, vom Grundstückserwerb bis zur laufenden Instandhaltung, und gemeinsam mit unseren Kunden diese Prozesse wissenschaftlich fundiert optimiert.