Nathan Brannen, Director de Producto en Restb.ai, es uno de los veteranos más experimentados en inteligencia artificial del sector inmobiliario. Restb.ai es el líder en visión por computadora e IA para bienes raíces. Su tecnología de inteligencia artificial etiqueta, clasifica y puntúa automáticamente las fotos de propiedades para extraer información específica del sector inmobiliario. Con más de una década de experiencia probada en IA, Nathan se especializa en asociarse con innovadores de la industria para implementar tecnología de IA.

En Restb.ai, apenas estamos rozando la superficie de los beneficios potenciales que la IA tendrá en la mejora de las valoraciones. Actualmente analizamos más de 2.500 aspectos visuales en cada propiedad.

Nathan comenzó su carrera en IA en ABB, una empresa Fortune Global 500 en la industria de energía y automatización. Como Gerente Global de Producto, gestionó una suite de modelos y plataformas energéticas basadas en IA, trabajando con tecnologías avanzadas como herramientas de pronóstico de precios basadas en redes neuronales, solucionadores de optimización basados en MILP y modelos de planificación de Capex a largo plazo. Ha dirigido equipos en Estados Unidos y Europa mientras atendía a clientes a nivel mundial, incluido Saudi Aramco, una de las empresas más valiosas del mundo. Nathan tiene un MBA de IESE Business School (Barcelona) y una Licenciatura en Ciencias del Instituto de Tecnología de Georgia.

Para aquellos que no estén familiarizados con Restb.ai, ¿cómo describiría su papel en el sector inmobiliario actual?

En Restb.ai creemos que hay una gran cantidad de información oculta dentro de las fotos de propiedades. Cuando miras una imagen, hay tantos detalles importantes que entiendes al instante. ¿Qué características tiene la propiedad? ¿Está en buen o mal estado? ¿Son los materiales de alta calidad? ¿Tiene un estilo o estética particular? ¿Te gusta esa estética? Desafortunadamente, debido a la naturaleza casi infinita de las cosas que pueden aparecer en las imágenes, gran parte de esta valiosa información permanece sin capturar en los detalles típicos de los listados. O si existe, lo hace de tal manera que dificulta asignar un valor a los datos. Si una propiedad tiene un patio, ¿cómo determinamos si es un pequeño desembarque pavimentado o un amplio patio de ladrillos que podría albergar fácilmente una reunión de 20 personas? Nuestro objetivo en Restb.ai siempre ha sido utilizar la IA para analizar estos millones de imágenes y generar información estructurada, consistente y valiosa para poder analizar y comparar propiedades a escala.

¿Qué impulsó su mayor inversión en el lado de la valoración de la industria y qué está viendo en términos de demanda?

Las valoraciones siempre fueron un ajuste natural para la información que proporcionamos. Las empresas de valoración tienen un deseo insaciable de más datos, datos de mayor calidad. Cuando comenzamos a trabajar con AVMs, aprendimos que muchos ya habían estado intentando crear proxies para condición y calidad analizando los comentarios de los listados. A pesar de las inconsistencias en un enfoque que depende de que los agentes describan con precisión la propiedad que están vendiendo, sabían que estos puntos de datos eran valiosos. Sabíamos que podíamos proporcionar una mejor solución a un problema que ya estaban tratando de resolver.

Además, las consecuencias de las valoraciones inexactas son altas. Las mejoras incrementales en la precisión de la valoración son esenciales. A medida que más empresas han incorporado estos nuevos conocimientos visuales en sus procesos y modelos, hemos visto un poco de mentalidad de rebaño por parte de sus competidores. Incorporar este tipo de datos se está convirtiendo rápidamente en un requisito básico en la industria.

Los esfuerzos de modernización de las GSEs han acelerado todo esto. A medida que el proceso de tasación experimenta su cambio más significativo desde la introducción del 1004 hace más de 20 años, muchas empresas se enfrentan a la necesidad de cambiar sus procesos, particularmente ante la llegada de nuevos participantes en el mercado centrados en la IA.

Recientemente lanzaron un informe de Condición/Calidad (C/Q). ¿Qué es y por qué la industria lo necesita ahora más que nunca?

Nuestro reciente libro blanco se centró en si los ajustes de valor realizados por condición y calidad en las tasaciones son confiables y consistentes. Analiza qué tan común es que una tasación contenga ajustes injustificados y con qué frecuencia se deberían haber hecho ajustes pero se omitieron. Sentimos que esto era oportuno por tres razones principales:

• A diferencia de características de propiedad más objetivas como área habitable, tamaño del lote y materiales de construcción, la condición y la calidad son inherentemente subjetivas y complejas.
• Según las actualizaciones más recientes de las GSE, los problemas relacionados con la condición y la calidad son los problemas más frecuentes encontrados en las tasaciones.
• En los demandas por sesgo de alto perfil que recientemente han estado en los titulares, las comparables utilizadas para justificar la valoración de la propiedad eran de condición y calidad muy diferentes en comparación con la propiedad sujeta.

Hasta nuestro informe, este ha sido un concepto difícil de cuantificar y algo que sentimos que muchos en la industria estaban eligiendo ignorar.

¿Cuáles son las conclusiones más importantes del informe C/Q para los tasadores y la industria de la tasación?

En pocas palabras, más del 33% de las tasaciones tienen un alto riesgo de tener un ajuste de condición o calidad injustificado u omitir un ajuste que las fotos indicarían que es necesario para al menos una propiedad comparable. Estos problemas podrían fácilmente llevar a una solicitud de recompra, que tiene un costo estimado de $32,288 para el prestamista. Considerando todas las tasaciones que ocurren cada año, esto significa que existe un riesgo potencial de más de $27 mil millones en costos de recompra.

¿Cómo pueden los prestamistas, AVMs y proveedores de valoración beneficiarse de los hallazgos del informe C/Q? ¿Qué necesitan hacer a continuación?

En muchos sentidos, entiendo por qué estos problemas son tan comunes. Analizar consistentemente la condición y la calidad puede ser difícil. Las propiedades pueden estar en diversos estados de renovación, lo que dificulta capturar consistentemente las diferencias. Además, nuestro análisis mostró que el 81,1% de las propiedades se consideraron C3 o C4, y el 97,5% de las propiedades se calificaron como Q3 o Q4. Dadas todas las otras consideraciones que los tasadores están viendo al seleccionar comparables, recurrir a una puntuación común puede ser conveniente.

Además, estos problemas son increíblemente consumidores de tiempo para que los procesos de revisión de AMC o prestamista los detecten. Una tasación solo incluye una foto frontal de cada propiedad comparable. Para que un revisor valide que los ajustes de condición y calidad son apropiados, necesitaría buscar manualmente cada propiedad en un portal y desplazarse por docenas de fotos. Como tal, muchas empresas han admitido que no tienen un proceso consistente para buscar estas inconsistencias.

Afortunadamente, la IA proporciona una oportunidad revolucionaria para automatizar este proceso. En lugar de pedir a los revisores que miren las fotos de cada propiedad comparable, pueden confiar en la IA para hacer una primera pasada y solo analizar las propiedades con un problema potencial. Dado que un tercio de las tasaciones tienen un problema potencial, y la tasación promedio tiene cinco propiedades comparables, esta automatización reduce el número de propiedades que un revisor necesita mirar en más del 90%.

Aún más importante, detectar estos problemas en la primera revisión reduce los tiempos de respuesta y disminuye los costos de recompra.

El sesgo en la tasación y la modernización son grandes preocupaciones de la industria. ¿Cómo su tecnología Restb.ai apoya directamente estos puntos críticos de la industria?

El sesgo es un tema complejo en el mundo de la tasación. Muchos tasadores se ofenden comprensiblemente al ser llamados racistas o algo menos que "Objetivos, Independientes e Imparciales", como lo requiere USPAP, mientras que al mismo tiempo, ha habido varios casos de alto perfil que apuntan a preocupaciones válidas de sesgo. Sin embargo, creo que es mucho más simple ver cómo nuestra tecnología puede detener las malas tasaciones. Como se mencionó antes, las GSEs han destacado que los problemas de condición y calidad son algunos de los desafíos más comunes que encuentran. Estos problemas han estado en el centro de algunos de los casos recientes de sesgo sobre cómo el tasador llegó a una valoración "sesgada". Con la IA, estas discrepancias en condición y calidad se marcarían automáticamente, evitando que esto se convierta en una conversación sobre sesgo.

Al observar la modernización de la tasación, una de las diferencias clave en el nuevo informe es el requisito de separar la condición y la calidad en una puntuación exterior e interior. Esto refleja la importancia de estos componentes en el valor de una vivienda. Aún así, no resuelve la subjetividad en la determinación de estos valores, ni el probable período de ajuste que tomará para que los tasadores aprendan a evaluarlos consistentemente. Afortunadamente, nuestra tecnología ya separa la condición y la calidad en estos componentes más granulares, proporcionando robustos guardarraíles para garantizar valoraciones precisas.

¿Cuáles son las implicaciones a más largo plazo para la industria de tasación y valoración del tipo de datos que la IA puede desbloquear, como los hallazgos en el informe C/Q?

En Restb.ai, apenas estamos rozando la superficie de los beneficios potenciales que la IA tendrá en la mejora de las valoraciones. Actualmente analizamos más de 2.500 aspectos visuales en cada propiedad. Muchos de estos conocimientos no están incluidos en listados, registros públicos o tasaciones, pero eso no significa que no tengan un impacto en el valor.

De hecho, habiendo trabajado con muchas empresas AVM, hemos visto que la presencia o ausencia de ciertas características puede tener un impacto cuantificable. Por ejemplo, ¿cómo se comparan las viviendas con diseños de cocina tipo galera con diseños abiertos más contemporáneos? ¿Cuál es la diferencia de precio cuando alguien repinta su cocina en lugar de reemplazar completamente los gabinetes? Ahora que estos datos pueden ser rastreados y analizados a escala, podemos determinar los impactos de todas estas preguntas y, lo que es más importante, cómo esos impactos varían dependiendo del mercado en el que te encuentres. A medida que más y más empresas utilicen estos datos, mejor entenderemos verdaderamente cómo valorar las propiedades con precisión.

La publicación Preguntas y respuestas con Nathan Brannen, Director de Producto en Restb.ai apareció primero en citybiz.

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para citybiz (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.