Año 2015, Justin Bieber y Adele copan las listas de canciones más escuchadas, el matrimonio gay se aprueba en Estados Unidos, se destapa el escándalo de las emisiones de Volkswagen y en Tinsa comienza una pequeña revolución, justo en el año del 30 aniversario, con los primeros algoritmos que empleaban técnicas de inteligencia artificial y que comienzan a ser usados para valorar masivamente viviendas. Era 2015 y todo por hacer en materia de almacenamiento y procesado de miles de millones de datos en apenas segundos, algo que hoy es más que habitual pero en su momento nos llevó a emplear nuevas técnicas para extraer valor de los millones de datos que maneja Tinsa y superar límites que parecían inalcanzables.

Esta revolución ha inundado con fuerza muchos sectores, entre ellos, el mercado inmobiliario y el de la valoración. La labor de un profesional valorador consiste en recabar información fiable, neutra y comparable de mercado, y en base a distintos métodos aceptados según tipología, finalidad de la valoración y, usando su conocimiento de mercado respaldado por datos, concluir el valor más adecuado para cada activo. Este trabajo Tinsa lo realiza en todos los mercados en los que opera y siempre con la confianza de contar con expertos independientes que no intermedian en la operación. Esta independencia es fundamental para nosotros ya que nos garantiza un dato con la mayor calidad y neutralidad posible.

En Tinsa Digital, cogimos el testigo de Tinsa y continuamos desarrollando nuevas soluciones de inteligencia artificial (AI) que hasta hace poco, no eran consideradas opciones viables. Esto nos ha llevado a obtener aún mejores resultados en uno de nuestros servicios estrella: las AVM (por sus siglas en inglés, Automated Valuation Model), modelos de valoraciones automática sin intervención humana.

Los algoritmos de AVM tratan de reproducir la misma decisión que tomaría un valorador cualificado, por ello no sólo es importante que la información de partida sea veraz, sino que hay otros dos puntos críticos para que los resultados tengan un nivel de precisión bueno: los modelos/técnicas utilizados y la base de datos de comparables con la que alimentamos los modelos. Si uno de los tres pilares falla, los resultados tendrán mucha más imprecisión.

¿Qué hace y qué no hace la Inteligencia Artificial?

Cuando hablamos de inteligencia artificial (AI) tendemos a cometer el error de pensar que el sistema sabrá distinguir desde el inicio, un dato correcto de otro que no lo es. Lamentablemente esto no es así, hay que enseñarselo. Si no cuidamos con qué estamos alimentando y entrenando nuestros modelos, no podemos asegurar una respuesta correcta de los algoritmos que emplean inteligencia artificial.

Ya estamos usando Inteligencia Artificial para valorar viviendas, garajes y trasteros y ya estamos trabajando en añadir más tipologías.

Tenemos casos muy sonados como fue el de “Tay”, el robot de Microsoft que usaba AI para contestar tweets e iba aprendiendo de las conversaciones sin disponer de un aprendizaje previo. Duró menos de 24h encendido. Os podéis imaginar su resultado y como este caso existen muchos más.

Por poner un símil, durante los primeros años de vida de un humano el aprendizaje es un proceso automático con la poca participación de la voluntad, está totalmente guiado por los padres, madres y educadores. Después el componente voluntario adquiere mayor importancia: aprendemos a leer, aprendemos nuevos conceptos, etc. Hasta llegar a la etapa del razonamiento y comprensión, nuestras acciones se basan en lo que hemos visto y nos han enseñado. Cuando trabajamos con AI este concepto es crítico.

¿Cómo usamos la Inteligencia Artificial en las AVMs?

Lo más importante es que si queremos emplear técnicas de inteligencia artificial en las AVMs es necesario haber entrenado el modelo con datos fiables. Aunque no sólo basta con ello, pues ya lo hemos visto en el caso de Tay. Para que el “niño” (modelo) aprenda y mejore su conocimiento, hay que seguir alimentándolo correctamente, controlando qué es lo que le enseñamos.

Random forest,

En Tinsa Digital empleamos diferentes metodologías para procesar las valoraciones automáticas, entre ellas se encuentran técnicas de machine learning como Random Forest. Se trata de un método que goza de mucha popularidad en otros sectores porque está basado en el aprendizaje automático y combina una gran cantidad de árboles de decisión independientes y probados sobre conjuntos de datos aleatorios con igual distribución.

¿Por qué usamos Random Forest? Porque es uno de los algoritmos de machine learning más certeros de los que están desarrollados y que pueden usarse para valorar inmuebles y además, cuando el set de datos es lo suficientemente grande y el modelo está entrenado con datos comprobados, produce un resultado con una precisión muy elevada. Además es perfecto para grandes bases de datos ya que puede procesar miles de millones de datos en cuestión de segundos sin excluir ninguna variable y nos garantizan un menor drawdown (retroceso de la curva de resultados) con una mayor estabilidad que los árboles de decisiones simples.

En el siguiente vídeo podéis conocer un poco mejor cómo funciona Random Forest:

Los algoritmos basados en inteligencia artificial sin duda nos han ayudado y seguirán ayudándonos a obtener un mayor conocimiento y mejorar nuestros resultados para continuar con esta revolución en el sector de la valoración automatizada que ha llevado a Tinsa a ser la única empresa española aprobada por la European AVM Alliance.