Auteur

Christopher de Gruben

DIRECTEUR ET CHEF DE L'IMMOBILIER À ARTEFACT UK

Auteur

Nimesh Patel

GESTIONNAIRE DE CONSEIL À ARTEFACT UK

Auteur

Marta Aliu Carrascosa

DATA SENIOR SCIENTIST AT ARTEFACT UK

Grâce aux progrès actuels de la technologie de l'IA, ce qui était complexe et fastidieux peut désormais être réalisé rapidement et efficacement. L'interrogation des baux historiques en est un exemple. Avec une solution d'IA générative personnalisée, il est possible de créer un environnement sécurisé en bac à sable dans lequel tous les baux immobiliers historiques sont téléchargés.

Cela permettra à n'importe quel utilisateur de l'entreprise d'accéder à un chatbot et de lui poser des questions en langage naturel sur n'importe quel aspect des baux. Il s'agit en fait d'un outil dynamique de gestion des baux qui permet à tous les utilisateurs d'obtenir instantanément des informations incroyables.

Quel est le problème ?

Aujourd'hui, la plupart des propriétaires doivent jongler avec de grandes quantités de baux historiques. Ceux-ci sont généralement résumés dans des feuilles de calcul vastes et complexes ou, occasionnellement, dans des logiciels de gestion des baux. Les solutions existantes sont statiques, rigides et inefficaces, ce qui peut être source de frustration. Elles ne sont pas non plus suffisamment flexibles et ne fournissent que quelques informations avec des fonctionnalités limitées. Toute question ne relevant pas des indicateurs de performance clés prescrits nécessite la lecture manuelle de (souvent des centaines, voire des milliers) de baux. L'équipe chargée des informations passe beaucoup de temps à générer des présentations de portefeuilles et de baux, ce qui prive les dirigeants d'informations pertinentes qui les aideraient à prendre des décisions.

Quelle est la solution ?

S'attaquant directement aux problèmes des cadres de l'immobilier, Artefact a mis au point son outil exclusif Lease Explorer. Il s'agit d'un outil spécialement conçu et personnalisé qui permet le déploiement rapide de puissants modèles de langage (LLM) dans un environnement propriétaire en bac à sable contenant des baux immobiliers historiques. Les cadres de l'immobilier sont alors en mesure d'interroger directement leurs propres baux historiques à l'aide d'une interface de type ChatGPT.

Le Lease Explorer se compose de cinq grandes étapes :

  • Ingestion des baux: Téléchargement de tous les baux historiques vers une plateforme commune data .

  • Extraction et préparation des informations clés: En fonction de la lisibilité des baux, divers outils d'extraction d'informations sont déployés, notamment la reconnaissance optique de caractères (ROC) et l'exploration du web. Les informations sont ensuite traitées et les éléments clés sont extraits sous forme de tableaux.

  • Chatbot Q&A: Une interface simple de chatbot Q&A est déployée où les cadres peuvent poser des questions en langage naturel.

  • Recherche d'informations: La requête initiale et les sources d'information pertinentes récupérées sont transmises au LLM.

  • Génération d'une réponse par le LLM: Le LLM génère une réponse cohérente à l'utilisateur pour répondre à sa question, ainsi que les sources extraites.

Il va sans dire que l'adoption d'un tel outil nécessiterait une période de gestion du changement sous-jacent, étant donné que de nouveaux processus et méthodes de travail devraient être adoptés.

class="img-responsive

Quels sont les types de questions en langage naturel auxquels il est possible de répondre ?

Avec la mise en œuvre de Lease Explorer, nous proposons quelques questions en langage naturel qu'un responsable immobilier pourrait poser au ChatBot de l'outil. Bien entendu, la mesure dans laquelle l'outil peut fournir une réponse précise à la liste de questions non exhaustive ci-dessous dépend de la qualité, de la structure et de la disponibilité des données d'entrée data, qui peuvent nécessiter l'accès à des informations autres que celles simplement contenues dans un document de bail.

  • Combien de baux de primo-locataires de notre organisation doivent être renouvelés au cours des six prochains mois ? Où sont situés les logements et quel est le loyer moyen de ces logements ?

  • Quelle est la valeur des baux arrivant à échéance l'année prochaine ?

  • Pouvez-vous représenter graphiquement les échéances de mes prochains baux, ventilées par mois/année ?

  • Parmi mes baux actuels, pouvez-vous me dire quel est le pourcentage (en valeur) de bureaux ? De locaux à usage mixte ?

  • Combien de dentistes me louent-ils ? Quelle est la superficie moyenne de leurs baux ? Pouvez-vous tracer un graphique pour moi ?

  • Combien de locataires commerciaux ont-ils exercé des options de renouvellement au cours des deux dernières années ?

  • Quelle est la durée moyenne des baux des locataires (commerciaux) dans une zone particulière (zone 1) ?

  • Quelles clauses d'indexation inhabituelles sont apparues dans notre portefeuille au cours des trois dernières années ?

  • Pouvez-vous me montrer une comparaison des conditions de location entre les commerces de détail situés dans des centres commerciaux et les commerces indépendants ?

  • Quel est le montant moyen du dépôt de garantie demandé dans nos baux au cours des deux dernières années ?

  • Pouvez-vous fournir une ventilation des revenus locatifs de notre portefeuille par zone géographique (ville, comté, etc.) ?

  • Combien de baux commerciaux prévoient des options de sous-location et quel est le pourcentage de locataires qui ont exercé cette option ?

  • Quel est le pourcentage de nos baux commerciaux qui comportent des clauses de réduction de loyer et quelle est la durée moyenne des périodes de réduction de loyer ?

  • Quelle est la proportion du portefeuille dont les baux avec clause de résiliation arrivent à échéance dans les six prochains mois ?

Quels avantages en découlent ?

L'adoption d'un outil d'IA comme Enterprise ChatGPT apportera une série d'avantages aux professionnels de l'immobilier. D'une part, l'outil est susceptible d'apporter un changement radical en ce qui concerne la vitesse à laquelle les informations peuvent être obtenues, permettant ainsi aux décideurs d'avoir un accès rapide aux informations critiques. En outre, l'évolutivité et l'adaptabilité d'un tel outil pour ingérer un volume sans cesse croissant de baux data seraient inestimables pour aider une entreprise immobilière à s'adapter aux exigences croissantes du secteur.

L'adoption d'un tel outil est susceptible d'entraîner un changement radical au sein de l'organisation immobilière. L'adoption d'un outil d'IA minimisera la dépendance à l'égard des processus manuels antérieurs en ce qui concerne l'interrogation des baux. Plutôt que de dépendre de l'incorruptibilité d'une feuille de calcul et du service continu du personnel administratif clé, un outil d'IA serait capable de prendre en compte les questions en langage naturel des cadres directement et de fournir des réponses précises en temps opportun. Essentiellement, la dépendance excessive à l'égard des dépendances clés pour la recherche et l'extraction à l'adresse data est réduite et les dirigeants ont la possibilité de réduire les ressources requises dans le processus de génération d'informations. En outre, pour tirer le meilleur parti d'un tel outil d'IA, son adoption exigera probablement qu'une entreprise se soumette à un processus transformateur d'hygiène data , élevant ainsi les seuils internes de la gestion data , car la qualité des informations générées ne pourra jamais être supérieure à celle des informations collectées.

GenAI présente en outre certains avantages pour un tel outil par rapport aux solutions traditionnelles d'IA / ML. Traditionnellement, de grandes quantités de données étiquetées ( data ) étaient nécessaires pour former et évaluer un modèle pour une tâche spécifique. Cela n'est plus nécessaire grâce à l'IA générative, ce qui accélère le développement de telles solutions. En outre, l'IA générative permet aux solutions d'évoluer et de changer sans nécessiter de remaniement et de développement supplémentaires massifs - les solutions peuvent être plus souples et moins rigides.

Comment la précision est-elle établie ?

Mettre en œuvre un nouvel outil d'IA pour la première fois et lui permettre de générer de puissantes informations sur les cadres à l'aide d'une simple invite peut sans aucun doute être intimidant, en particulier compte tenu de l'inconvénient bien connu des "hallucinations" de la GenAI. Les étapes suivantes, lorsqu'elles sont prises de concert, devraient fournir un garde-fou suffisant pour garantir que la meilleure valeur peut être extraite de l'outil.

  • La définition d'une IA avec les documents de location réels est itérative, de sorte que le modèle dispose d'un contexte suffisamment spécifique à l'industrie et à l'entreprise pour fournir des réponses.

  • Valider les processus en continu afin d'affiner les performances du modèle et d'en améliorer la précision avec un humain dans la boucle (c'est-à-dire un humain qui valide les réponses du modèle).

  • Adoption d'une approche "test and learn" (tester et apprendre), le retour d'information des évaluateurs concernés étant ensuite intégré à la solution.

  • Établir des instructions détaillées étape par étape et des garde-fous pour garantir que les résultats intermédiaires et finaux sont exacts, spécifiques à l'entreprise et sans hallucinations.

  • Effectuer régulièrement des contrôles d'assurance qualité pour vérifier l'exactitude des informations.

  • L'utilisation d'un ensemble varié de questions et de réponses pour valider le modèle afin d'identifier les forces et les faiblesses du système, ce qui permet d'améliorer les messages-guides et de déterminer s'il est nécessaire d'ajouter des éléments de base et des garde-fous.

Quelles sont les limitations existantes ?

Pour que cette solution fonctionne comme prévu, un certain nombre de considérations doivent être prises en compte. Tout d'abord, le modèle serait très probablement limité aux baux britanniques, en raison des particularités du secteur immobilier en matière de localisation et de législation. L'explorateur de baux n'aurait aucune capacité prédictive, puisque seules les performances historiques des documents existants seraient interrogées.

En outre, comme tout outil basé sur la GenAI, l'explorateur de baux se heurterait à des invites peu claires et vagues, qui risqueraient de ne pas produire les résultats escomptés. Il est donc toujours recommandé de formuler correctement les questions posées à l'interface de chat, de la même manière que l'on poserait une question à un analyste au sein de son équipe immobilière.

Il est important de noter que la lecture et le traitement des documents PDF dans un format lisible par une machine nécessitent une reconnaissance optique des caractères (OCR), étape nécessaire du processus d'ingestion. Les documents qui ne sont pas lisibles par une machine ou dont le format et la structure des pages sont complexes risquent de ne pas être ingérés correctement et, en aval, cela risque d'affecter des tâches telles que l'extraction d'informations et la fourniture de réponses fiables.

En outre, pour répondre aux questions quantitatives analytiques, d'autres processus sont nécessaires :

  • Extraction d'informations clés à partir des baux, mise en place des attributs extraits sous une forme structurée et tabulée dans une base de données. Ce processus peut également être automatisé à l'aide de l'IA générative, ce qui présente des avantages par rapport à l'extraction manuelle en termes de temps de développement et de déploiement. Le site data extrait peut également être utilisé comme source data pour les tableaux de bord et les rapports traditionnels, convertissant cette tâche en un cas d'utilisation commerciale précieux. Il convient de noter que cette étape n'est nécessaire que si le site data à interroger n'est pas déjà disponible dans une base de données sous une forme structurée.

  • Utiliser l'IA générative pour interroger la structure data extraite des documents, en convertissant les questions en langage naturel posées par les utilisateurs en code SQL qui est ensuite exécuté sur les tableaux data. Les documents non structurés peuvent également être utilisés afin d'exploiter les deux sources de data, ce qui permet au système de générer instantanément de riches informations quantitatives.

Coûts et exigences

Le déploiement et l'acculturation de l'outil Lease Explorer de Artefactcoûteraient raisonnablement environ 45 000 livres sterling et nécessiteraient au moins quatre semaines de travail en coopération, en fonction des fonctionnalités choisies. Cela suppose bien sûr que les baux téléchargés soient tous lisibles à la machine, qu'ils soient en grande partie similaires et rédigés en anglais. Après le déploiement de Lease Explorer, un abonnement permanent serait nécessaire pour tout LLM de GenAI utilisé pour construire l'outil personnalisé.

Pourquoi Artefact?

Artefact est une société de conseil mondiale de premier plan qui se consacre à l'accélération de l'adoption de data et de l'IA pour avoir un impact positif sur les personnes et les organisations. Nous sommes spécialisés dans la transformation data et le marketing data afin d'obtenir des résultats commerciaux tangibles sur l'ensemble de la chaîne de valeur de l'entreprise. Artefact offre l'ensemble le plus complet de solutions data, fondées sur une science data approfondie et des technologies d'IA de pointe, en réalisant des projets d'IA à grande échelle dans le secteur de l'immobilier au Royaume-Uni.

Nous sommes des partenaires de confiance pour les entreprises de l'immobilier résidentiel, commercial, industriel et les catégories d'actifs spécialisés. Nous comptons parmi nos partenaires des sociétés cotées au FTSE 350 et des organisations privées de taille similaire. Avec plus de 20 ans d'expérience dans l'immobilier, notre équipe dédiée à l'immobilier comprend des experts et des professionnels agréés dans les domaines de l'évaluation immobilière, de l'urbanisme, du développement et du financement.

Nos travaux antérieurs vont de l'élaboration de stratégies dynamiques ( data) avec nos clients - leur indiquant où jouer et comment gagner sur les marchés qu'ils ont choisis - à des changements opérationnels majeurs, tels que l'établissement de nouvelles armes et propositions commerciales. Nous avons travaillé à chaque étape du cycle de vie d'un bien immobilier, de l'acquisition du terrain à l'entretien courant, et avons collaboré avec nos clients pour améliorer scientifiquement ces processus.