各个行业似乎都在高度关注人工智能技术,希望借此彻底颠覆原有游戏规则。房地产行业当然也不例外,一系列新兴技术公司正努力帮助买家以及租户快速找到符合心意的选项。
下面,我们将一同了解其中几家代表性企业。
总部位于蒙特利尔的Nobbas公司希望帮助目标租户与买家寻找房产,并允许室友或者好友通过协同搜索找到最适合各自需求的选择。
该公司产品设计师Sean Muir表示,“很多朋友都有过类似的经历,访问网站并不断看到重复的房产真的让人很烦躁。在这方面,AI能够为我们找到最合适的房产选项。”
该网站在美国拥有140万套待租或待售房产,同时提供类似于Tinder应用的界面,用户可以向左或向右滑动以快速表达自己对当前房产是否感兴趣。
此外,Nobbas还开发出一款交互式协作工具。
Muir表示,“每一位受邀伙伴都能看到您感兴趣的选项,您也能看到他们比较中意的房子。”
今年6月初,Nobbas公司还于苹果App Store以及Google Play商店上推出了一套代理平台,用于向客户分享房产信息。
注册于纽约市的房地产经纪人Ruth Shin在一年之前创立了PropertyNest。该网站采用专有算法,能够帮助纽约市民根据自己的信用评分以及最迫切的功能性需求租赁或者购买房屋。每套房屋的匹配流程都会与买家/租户的实际情况联系起来,包括审查其收入、信用评分、储蓄数额以及其它财务指标。
要获取这样一份推荐列表,我们需要输入自己的凭证性信息,包括信用评分、收入、担保人信息以及储蓄数额等。这样一旦您找到自己以的公寓,算法就会告诉您获得批准的可能性。
该网站还提供其它建议,可用于指导用户提高信用水平、解释租赁或销售流程如何进行、怎样申请抵押贷款以及如何以自由职业者身份申请房产等。此外,网站还会提供如何根据公寓数量判断社区质量以及租金水平等房地产行业内的专业知识。
Shin曾经担任EXR与Compass公司代理,目前亦身兼MyBankTracker.com个人理财网站的编辑。Shin表示,“大部分正在寻找待租房屋的租户,其实并没有做好充分的准备。我的目标是与他们进行交流,快速解决这些认知局限,以确保他们能租到/买到适合自己的房屋。”
代理商、管理公司以及房东可以签署三份合作计划,而Shin则负责努力提高网站的信息量与访问规模。
该网站于去年夏季推出,号称是“房产领域的Pinterest”,旨在利用AI技术帮助用户根据自己的风格喜好在全国范围内寻找新的待售房源。
买家们可以查看新房照片、视频与平面图,并可以将自己喜欢的房屋添加到收藏当中。共同所有人之间还可以相互协作,找到同时符合大家喜好的理想房产。
在买家确定了自己喜欢的风格之后,HomLuv就会创建一份个人资料,而后将其与不断增长的房产网络信息进行匹配。
HomLuv.com母公司Builders Digital Experience(BDX)首席执行官Tim Costello表示,“有67%的买家更希望购买新房,因此市场需求还没有得到充分满足。有研究表明,购房者对现有房地产网站的使用体验并不满意,这些网站无法满足新房购房者的要求。
HomLuv提供的前瞻性视觉设计方案,为买家与房地产开发商提供了一种顺畅的沟通渠道,消除了混乱不清的因素,简化选购流程并为双方带来了良好的使用体验。”
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。