Юлий Шамаев
Юлий Шамаев
Банк ВТБ Управляющий директор управления перспективных алгоритмов машинного обучения
Geo-AutoML в задаче оценки стоимости объектов недвижимости
Оценка стоимости объектов недвижимости является одной из классических задач, как в области
гео-пространственного анализа, так и в области машинного обучения, однако, универсального
решения, учитывающего все аспекты и специфику рынка недвижимости, не существует до сих пор.
Так, например, цены на недвижимость в России имеют выраженную региональную специфику,
подвержены макроэкономическим колебаниям и сильно варьируются в зависимости от качества и
расположения объекта. Таким образом, в масштабах России для корректного ответа на вопрос о
стоимости объекта недвижимости необходимо решить целый ряд статистических, гео-
аналитических и алгоритмических задач. Совместив современные инструменты гео-аналитики и
машинного обучения и используя уникальный периметр данных доступный банку ВТБ, мы
разработали Geo-AutoML решение, позволяющее в автоматическом режиме строить и
актуализировать модели оценки недвижимости в широкой географии городов России. Данное
решение под капотом не только рассчитывает огромное количество гео-пространственных
факторов, характеризующих транспортную или социальную инфраструктуру в окрестности
объекта, но и с помощью (ai?) алгоритмов машинного обучения отбирает наиболее релевантные
для конкретного города или региона. Техники анализа временных рядов позволяют выделить в
цене такие компоненты как возраст или стадию готовности объекта, учесть влияние процентных
ставок или макроэкономических индикаторов. «Замешав» все эти техники в рамках Geo-AutoML и
концепции Data Fusion мы получили уникальное динамичное решение, эффективно работающее в
изменяющихся условиях рынка.
гео-пространственного анализа, так и в области машинного обучения, однако, универсального
решения, учитывающего все аспекты и специфику рынка недвижимости, не существует до сих пор.
Так, например, цены на недвижимость в России имеют выраженную региональную специфику,
подвержены макроэкономическим колебаниям и сильно варьируются в зависимости от качества и
расположения объекта. Таким образом, в масштабах России для корректного ответа на вопрос о
стоимости объекта недвижимости необходимо решить целый ряд статистических, гео-
аналитических и алгоритмических задач. Совместив современные инструменты гео-аналитики и
машинного обучения и используя уникальный периметр данных доступный банку ВТБ, мы
разработали Geo-AutoML решение, позволяющее в автоматическом режиме строить и
актуализировать модели оценки недвижимости в широкой географии городов России. Данное
решение под капотом не только рассчитывает огромное количество гео-пространственных
факторов, характеризующих транспортную или социальную инфраструктуру в окрестности
объекта, но и с помощью (ai?) алгоритмов машинного обучения отбирает наиболее релевантные
для конкретного города или региона. Техники анализа временных рядов позволяют выделить в
цене такие компоненты как возраст или стадию готовности объекта, учесть влияние процентных
ставок или макроэкономических индикаторов. «Замешав» все эти техники в рамках Geo-AutoML и
концепции Data Fusion мы получили уникальное динамичное решение, эффективно работающее в
изменяющихся условиях рынка.
Окончил механико-математический факультет МГУ (кафедра теории вероятностей). Более 10 лет опыта моделирования в финансах, оценке рисков и машинном обучении, в настоящее время занимаюсь разработкой моделей в области гео-аналитики и коммерческих продуктов на их основе. Автор патента по оптимизации размещения инфраструктуры с использованием инструментов машинного обучения.