DinGeo og Boliggruppen A/S har udviklet en kunstig intelligens, der er trænet til at forudsige salgspriser på danske ejendomme med høj præcision. Modellen kaldes BoIQ ejendomsvurdering. Den bygger på DinGeo’s omfattende geodata samt Boliga’s database over det danske boligmarked, som blandt andet indeholder alle bolighandler tilbage fra 1. januar 1992. Ved at slå en adresse op på DinGeo kan du konsultere maskinlæringsmodellen og få en her-og-nu ejendomsvurdering for adressen, side om side med de øvrige uafhængige ejendomsvurderinger.
Ejendomsvurderinger bruges ofte som skoleeksempel på maskinlæring og kunstig intelligens, fordi opgaven kræver analyse af store datasæt med mange komplekse parametre. Faktorer som beliggenhed, boligtype, størrelse, trafikstøj, oversvømmelsesrisiko, nærliggende faciliteter, tidligere salgshistorik og økonomiske tendenser skal vægtes for at forudsige ejendomsværdier præcist. Maskinlæring er velegnet til netop denne opgave, fordi modellen selv kan identificere mønstre og sammenhænge i data, som er for komplekse til traditionelle, regelbaserede modeller.
Et adresseopslag på DinGeo viser BoIQ’s AI-vurdering side om side med op til syv andre uafhængige ejendomsvurderinger, så du selv kan sammenligne dem.
Hvordan adskiller BoIQ sig fra Skats vurdering?
BoIQ’s maskinlæringsmodel har en afgørende forskel fra Vurderingsstyrelsens regelbaserede vurderingssystem: Den dynamisk tilpasser sig markedet og finder selv de mønstre, der bedst forudsiger faktiske salgspriser, uden at være begrænset af forudbestemte vægte og faste parametre.
Vurderingsstyrelsens “forward model” bygger på enkle og fastlagte faktorer, fordi alle offentlige vurderinger af politiske og retssikkerhedsmæssige årsager skal kunne forklares via lineære beregninger. BoIQ’s model kan til gengæld analysere komplekse sammenhænge mellem tusindvis af datapunkter og løbende justere sig efter udviklingen på boligmarkedet, hvilket typisk giver en mere præcis vurdering. Til gengæld betyder modellens kompleksitet, at en given vurdering ikke kan forklares med simple, faste beregninger — en klassisk “black box”-udfordring ved avanceret maskinlæring.
Sådan trænes modellen
Forud for træning af modellen indgår optimering og rensning af data. Når modellen trænes, bliver hele datasættet opdelt i tre dele:
- 80 procent bruges til træning — her lærer modellen at finde mønstre og sammenhænge mellem input (f.eks. boligens størrelse, beliggenhed og geodata) og output (salgspris).
- 10 procent bruges til validering/test — under træningen testes modellen løbende mod nye data, den ikke har set før, hvilket hjælper med at justere og forbedre modellen.
- 10 procent bruges til endelig evaluering — efter modellen er trænet færdig, vurderes dens præcision på helt friske data for at sikre, at den ikke kun fungerer godt på kendte eksempler.
BoIQ udvikler løbende ejendomsvurderingsmodellen, og modellerne navngives og opdateres løbende efterhånden som nye salgsdata bliver tilgængelige.
BoIQ som forretning
BoIQ er den del af Boliggruppen, der giver virksomheder adgang til avancerede geodata og boligmarkedsinformation indsamlet af blandt andet DinGeo.dk og Boliga.dk. BoIQ’s ejendomsvurderinger er det første produkt baseret på kunstig intelligens og avanceret databehandling af den store mængde data, der er indsamlet via Boliga og DinGeo. Data kan integreres via webservices, API’er eller databaseudtræk. På DinGeo tilbydes BoIQ-vurderingen gratis som en del af det almindelige adresseopslag, baseret på de data DinGeo allerede har indsamlet på adressen.
Modellens variabel for boligtype indeholder tre kategorier, identisk med dem Finans Danmark bruger: parcel-/rækkehuse, fritidshuse og lejligheder. Modellen inkluderer desuden socioøkonomiske data og risiko for oversvømmelse som en del af grundlaget.