ANALISIS DEL ESTUDIO DENOMINADO “LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIÓN DE INMUEBLES. UN EJEMPLO PARA VALORAR MADRID”
ANALISIS
DEL ESTUDIO DENOMINADO “LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIÓN DE
INMUEBLES. UN EJEMPLO PARA VALORAR MADRID”
El
estudio objeto de análisis fue realizado en el año 2004, con el propósito de
mediante el uso de técnicas de inteligencia artificial, calcular el valor
aproximado de las viviendas en la comunidad de Madrid España.
En
comienzo se hace una comparación entre los métodos tradicionales de valoración y
los sistemas de inteligencia artificial, tomando como ejemplo de método tradicional
la regresión múltiple y la inclusión de técnicas de estadísticas para la estimación
de valor inmobiliario. Por otra parte, el desarrollo de los sistemas informáticos
durante los años ochenta permitió el auge de nuevas técnicas que permitieran la
estimación de valor de bienes inmuebles, alcanzando a través de distintos estudios
y experiencias un error medio entre el 5% y 10%, frente a un 10% al 15% de
error medio obtenido por los métodos tradicionales de valuación para
el caso regresión múltiple, dando mayor confiabilidad a los resultados
obtenidos a partir del uso de técnicas de inteligencia artificial no solo por
arrojar un valor de error medio menor, sino también la capacidad de estimar el
valor de las propiedades que representan características muy diferentes de las
de los bienes de entorno (outliers) esto debido a que los sistemas de
inteligencia artificial someten en la muestra un proceso matemático más complejo
que los métodos tradicionales de valuación.
Las
Redes Neuronales Artificiales Y La Valoración De Inmuebles
El
autor muestra un ejemplo de diseño de una red neuronal utilizada comúnmente para
la valuación de inmuebles, esta RNA se compone de 15 neuronas, 7 en la capa de
entrada, 7 en una capa oculta, y 1 en la capa de salida la cual arrojara el
valor de mercado del inmueble. Para lograr óptimos y confiables resultados los
autores, dan a conocer y recalcan la importancia que tiene el entrenamiento y comprobación
de los resultados.
Ilustración
1.Red Neuronal Artificial.
Un Ejemplo Para Valorar Madrid
En el caso de estudio o
ejemplo de aplicación de redes neuronales artificiales en la valuación de
viviendas, los investigadores tomaron como área de trabajo toda el área de la
comunidad de Madrid con el fin de poner a prueba la red con altos volúmenes de información
y así poder ver el comportamiento de la red sometiéndola al máximo. Para esto
se diseñó una red de 20 neuronas, la cual estaba distribuida, 12 neuronas en la
capa de entrada, 7 en la capa oculta y 1 en la capa de salida, las variables a
tener en cuenta como es de esperarse deben ser iguales en número a el número de
neuronas en la capa de entrada. Las variables seleccionadas no pretenden ser un
juego definitivo para la valoración de la vivienda colectiva en Madrid, sino un
conjunto de variables que permitan llevar a cabo una primera aproximación (JULIO
G-ESPERANZA M, 2004). Estas variables son:
1.
Distancia: distancia del municipio, distrito o barrio al centro de la ciudad de
Madrid.
2.
Vía: vía de acceso al centro de la ciudad de Madrid. Se codifican las
diferentes vías de acceso.
3.
Tamaño: tamaño del municipio.
4.
Categoría: categoría de la construcción.
5. Antigüedad: antigüedad de la construcción.
6. Conservación: estado de conservación de la
construcción.
7.
Superficie: superficie construida de la vivienda.
8.
Terraza: superficie de la terraza.
9.
Entorno: situación en el municipio, distrito o barrio
•
situación muy desfavorable 1
•
situación desfavorable 2
•
situación media 3
•
situación favorable 4
•
situación muy favorable 5
10.Interior:
vivienda interior
11.Planta:
número de planta
12.Anejos:
codificación según niveles
Ilustración 2.RNA para la valoración de la
vivienda colectiva (Madrid). Fuente: http://www.eurocadastre.org/pdf/jgallegoct50esp.pdf
En el procesamiento de la
información mediante la aplicación de la red neuronal con el fin de obtener el
valor aproximado de la vivienda colectiva en Madrid (España) arrojo resultados según
el autor, con un error medio el cual no superaba el 10%, y con un tiempo de
procesamiento que oscilaba entre 15 y 20 minutos en un ordenador personal.
Ventajas eh
inconvenientes según los autores que realizaron el estudio
El manejo de la red
neuronal es muy sencillo para el usuario ya que el solo debe consultar su atención
en los datos de entrada y en los valores aproximados de salida, sin tener que
preocuparse por lo que sucede internamente en la red neuronal artificial.
Una RNA puede instalarse
perfectamente en un micro-ordenador, incluso sobre un software de hoja de
cálculo.
Las Redes neuronales artificiales
usualmente son llamadas “cajas negras” debido a que no se puede visualizar y saber
lo que está sucediendo internamente, por tal motivo no hay manera de explicar
el valor de mercado de los inmuebles, obtenido por la RNA.
Conclusiones y aportes de
quien realiza el análisis del articulo
Debido a que no existe la
posibilidad de explicar los resultados obtenidos por la RNA, esto imposibilita
la presentación de informes valuatorios donde se aplica esta metodología, sin embargo,
lo que sí se puede hacer a mi parecer, es tomar las RNA como herramientas de
apoyo en los procesos valuatorios de bienes inmuebles y así tener fuentes
comparables que nos permitan aumentar el grado de confiabilidad en los
resultados obtenidos por metodología tradicionales de valuación de bienes inmuebles.
Debido a que utilización de
la RNA es muy básica y sencilla esta puede ser usada por usuarios que no
necesariamente tienen que ser expertos en Inteligencia artificial, pero si
tener un grado de conocimiento en la valuación de inmuebles para poder tener certeza
de la veracidad de los resultados arrojados.
La aplicación de nuevas técnicas
y metodologías en el ámbito catastral, debe cobrar vital importancia en nuestra
formación como ingenieros catastrales y geodestas, si bien es cierto que en la legislación
catastral no nos permite presentar resultados valuatorios obtenidos a partir de
esta técnica, debemos poner en práctica nuevas metodologías que permiten
obtener una mayor precisión (según lo expuesto en el artículo) en los
resultados, y tomarlo como base comparativa en estudios de valuación inmobiliaria.
BIBLIOGRAFIA
GALLEGO J, MORA E (2004).
Gerencia Regional de Madrid. La inteligencia artificial aplicada a la
valoración de inmuebles. Un ejemplo para valorar Madrid. Recuperado el 23 de septiembre
de 2017 en http://www.eurocadastre.org/pdf/jgallegoct50esp.pdf
Resulta interesante el hecho que exista más de una técnica de Inteligencia Artificial para este uso (Estimación de precios del suelo), quería complementar esta entrada con el hecho de que encontré otra técnica de Inteligencia Artificial con este mismo uso y esta es algoritmos genéticos.
ResponderEliminarEstos aunque cuentan con el mismo fin, realizar una regresión con el uso de las múltiples variables para la estimación de los precios del suelo tienen una metodología totalmente distinta al de las Redes Neuronales Artificiales.
A continuación describiré a groso modo como se utilizan los algoritmos genéticos para la estimación de los precios del suelo:
1. Generación de individuos: Para la generación de individuos se establece una cantidad experimental necesaria en la cual, se ira recombinando esta especie con los genes de sus antecesores. La combinación de las variables independientes; con las funciones, operaciones y exponenciales se deben lograr de manera simultánea; las operaciones se les conocen como suma, resta, multiplicación y división y se almacenara en una variable que a la hora de combinar ocupe un espacio que vaya entre cada variable dependiente conmutada con su respectiva función y exponentes.
2. Selección: Esta selección se hace posible para encontrar en cuanto a los errores la mejor representación viable de una regresión que demuestre satisfacer la clasificación sugerida con minimizar estos. La función fitness es la que nos sugiere coger esa regresión y de algún modo implementarla en toda la clasificación sea (Cod_Sector; Cod_Uso; ZHF).
3. Cruce: Como su nombre lo indica el cruce es nada más ni nada menos que la recombinación que hay o puede existir entre dos regresiones obtenidas y enlazarlas entre sí para observar y verificar si es correcto o no esa modificación que se le haga y llegar a mejorar el modelo obtenido de la selección. La idea es una vez seleccionada las dos partes de las regresiones en función de las probabilidades de cruce, pasaran a formar parte de una nueva regresión o simplemente compartirán atributos a valorar mejor la regresión que nombraremos como regresión híbrida.
4. Mutación: Como se puede observar, la regresión híbrida tuvo una sola modificación que cambia drásticamente la solución de la variable independiente por lo que a esto se denomina como variable mutada. Si y solo si esta variable muestra alguna mejora en la regresión; esta quedara guardada en la regresión final para optimizar el Y Estimado para al fin, disminuir los errores posibles. De ser así mirar todos los demás predios y analizar la mejor solución.
A groso modo, esta es la forma como los algoritmos genéticos son utilizados para la estimación de precios del suelo. Resulta magnifico que exista mas de una técnica de Inteligencia Artificial para estimar precios del suelo y que ambas tengan diferentes resultados en cuanto a optimización y precisión.
A pesar de la sencillez del manejo de redes neuronales aplicado en el área catastral, metodología, considerada como una herramienta de apoyo eficiente, se hace necesario contar con otro tipo de análisis que apoyen y sustenten resultados obtenidos por mecanismos convencionales aplicados al análisis territorial; y de esta manera proporcionarle al usuario confiabilidad a la hora de hacer sus consultas, o por lo menos proporcionar de manera pertinente bases para quienes no están familiarizados con el tema de la valoración de inmuebles.
ResponderEliminar