IMREA - Intelligente Multimodale Immobilienanalyse

Multimodale Informationsextraktions- und maschineller Lernverfahren zur Extraktion immobilienbezogener Attribute und Parameter aus heterogenen Eingabedaten

Logo Imrea: Stilisierte Grafik mit Haus

IMREA- Intelligente Multimodale Immobilienanalyse

Multimodale maschinelle Lernverfahren zur Extraktion von immobilienbezogenen Informationen aus heterogenen Eingabedaten

Hintergrund

Aktuelle Verfahren zur Immobilienbewertung erfordern eine umfangreiche manuelle Datenaufbereitung und -verarbeitung und manchmal sogar eine Vor-Ort-Besichtigung, was den Prozess zeitaufwändig und teuer macht. Die Eingabedaten für die Bewertung stammen oft aus einer eher kleinen Menge von teilweise redundanten Datenquellen, was den verfügbaren Informationsgehalt einschränkt und die anschließende Bewertung behindert. Selbst bei neueren automatisierten Bewertungsmodellen müssen die Eingabedaten manuell eingegeben werden, was nicht nur hohe Kosten im Bewertungsprozess verursacht, sondern auch das Risiko von Betrug birgt (z.B., wenn Daten absichtlich falsch eingegeben werden, um höhere Marktwerte vorzutäuschen, was zu höheren Krediten führt).

Derzeit gibt es keinen weitgehend automatisierten Ansatz, der die verschiedenen Arten von immobilienbezogenen Daten in komplementärerer Weise berücksichtigt und die Informationen automatisch aus verschiedenen Datenquellen extrahiert. Dies aber würde den Informationsgehalt pro Immobilie deutlich erhöhen und genauere automatische Schätzungen ermöglichen. Es wird erwartet, dass in der Praxis 50% aller Immobilienbewertungen durch automatisch generierte Gutachten ersetzt werden könnten.

Inhalt des Projekts

Im Projekt IMREA (Intelligent Multimodal Real Estate Analysis) werden multimodale maschinelle Lernverfahren entwickelt, die die komplementäre Natur immobilienbezogener Daten ausnützen. Der vollautomatische Ansatz bezieht zahlreiche komplementäre Datenquellen (Modalitäten) ein und verwendet multimodale Modelle, die in der Lage sind, eine Vielzahl von immobilienbezogenen Eigenschaften (z.B. Gebäudegröße, Gebäudeart) robust vorherzusagen. Der Ansatz ermöglicht die automatische Extraktion reichhaltiger Metadaten und soll in Zukunft die Datenbasis für die Immobilienbewertung verbessern. Dadurch werden Dauer und Schätzungskosten bei der Kreditprüfung erheblich reduziert. Die automatischen Analysemethoden ermöglichen darüber hinaus die kontinuierliche Überwachung von Immobilien, wodurch automatische Frühwarnsysteme für große Immobilienportfolios geschaffen werden können.

Projektziel

Bestehende Methoden arbeiten meist mit einer Modalität (d.h. meist strukturierten Daten) oder modellieren mehrere Modalitäten separat. Das Hauptziel dieses Projekts ist die Entwicklung von multimodalen maschinellen Lernverfahren zur robusten Extraktion von immobilienbezogenen Attributen und Parametern aus heterogenen Eingabedaten wie Text, Bildern und halbstrukturierten Daten, was zur Generierung präziserer und aktuellerer automatischer Immobilienbewertungsmodelle führen soll. Darüber hinaus werden wir uns auf das Lernen aus fehlenden Daten und Modalitäten (modeling missing data) und insbesondere auf unbalancierte Lernprobleme mit mehreren Klassen (imbalanced problems) konzentrieren.

Sie wollen mehr wissen? Fragen Sie nach!

Forschungsgruppenleiter
Forschungsgruppe Media Computing
Institut für Creative\Media/Technologies
Department Medien und Digitale Technologien
Arbeitsplatz: D - Heinrich Schneidmadl-Straße 15
M: +43/676/847 228 652
MitarbeiterInnen
PartnerInnen
  • Fachhochschule Kufstein Tirol Bildungs GmbH (lead)
  • Fachhochschule St. Pölten GmbH
  • DataScience Service GmbH
Finanzierung
FFG Bridge
Laufzeit
01.02.2021 – 31.01.2024
Projektstatus
laufend
Beteiligte Institute, Gruppen und Zentren
Institut für Creative\Media/Technologies