Er komt steeds meer data, en daarvoor heb je gerichte vastgoed KPI’s nodig. Deze big data is niet alleen een technische uitdaging maar ook een managementuitdaging. Het is essentieel om inzicht te krijgen in wat er in deze gegevens gebeurt. En hier komt het belang van Key Performance Indicators, oftewel KPI’s, om de hoek kijken. KPI’s geven ons een duidelijk beeld van wat er gaande is, zodat we de juiste beslissingen kunnen nemen en snel kunnen reageren waar nodig. De computer doet hier het voorbereidende werk.
In onze Actoren applicatie hebben we een groot aantal KPI’s ingebouwd, zoals het percentage en de duur van leegstand. Je kunt ze eenvoudig instellen op rood, oranje of groen wanneer ze een bepaalde waarde overschrijden.
Gerichte vastgoed KPI’s zijn situationeel
Het fraaie van Actoren is dat het mogelijk maakt om situationele KPI’s te maken. Dus niet meer over je hele portefeuille, maar ook over de dwarsdoorsnede die je wilt. En daarna analyseren wat de achterliggende data is, die de verstoring in de KPI’s heeft veroorzaakt.
Prachtig, maar in de praktijk van vastgoedbeheer schieten deze soms tekort. Je wilt complexere berekeningen maken . Natuurlijk kan je in Actoren alles downloaden naar Excel, en daarna naar harte lust allerlei ingewikkelde formules maken.
En met formules lijkt leuk en zinvol. Maar eerlijk gezegd is het al vaak veel te ingewikkeld voor iemand die snel wat wilt weten.
Het probleem ligt niet bij de capaciteit of bereidwilligheid van de gebruikers. De crux is dat zij in hun hectische dagelijkse routine simpelweg andere prioriteiten hebben.
Ik heb jarenlang gepuzzeld over hoe dit vraagstuk op een eenvoudige manier aan te pakken . Ik heb geëxperimenteerd met formulebouwers, wizards, maar alle oplossingen bleken uiteindelijk te ingewikkeld voor de gemiddelde gebruiker. Het is prachtig om een gerichte vastgoed KPI te hebben, maar deze moet wel goed uitgerekend worden.
Complexe KPI’s met ChatKPI
Toen kwam ChatGPT in beeld, en ik begon te geloven dat met deze technologie een oplossing wellicht binnen handbereik ligt: ChatKPI. Zou dat realiseerbaar zijn?
De proof of concept
Het bleek inderdaad mogelijk. Hoe dan? Voor de geïnteresseerden licht ik in deze paragraaf de proof of concept verder toe.
Zoals ik in een eerdere blogpost aangaf, is het niet raadzaam om ruwe data rechtstreeks aan ChatGPT te overhandigen. Een effectievere aanpak is om enkel de structuur van de data te delen met de AI-engine, precies zoals deze in onze softwareapplicatie is opgenomen. Vervolgens verwachten we van de AI-engine een stuk programmacode die we kunnen integreren in onze applicatie.
Het proof of concept richtte zich op een huuroverzicht dat bestaat uit ongeveer honderd kolommen, hetzelfde overzicht dat in de eerdergenoemde video wordt getoond.
Vervolgens verstrekken we een reeks instructies, de zogenaamde ‘prompts’, om helder te specificeren wat we van de AI-engine verlangen. Dit houdt bijvoorbeeld in dat gebruikers de mogelijkheid hebben om instructies te geven in zowel het Nederlands als het Engels. En in welke computertaal we onze code terugverwachten
Eerste test van ChatKPI
Voor onze eerste test kozen we bewust een wat vage omschrijving en formuleerden deze in spreektaal.
Dit resulteerde in een functionerende en correcte functie voor ons rode verkeerslicht.
Vervolgens testten we enkele complexere voorbeelden, die eveneens succesvol waren. Het integreren van deze functie in onze Actoren-software vraagt om precisie, maar het is beslist geen rocket science.
Zijn we er al?
Nog bij lange na niet. We benaderen de situatie met een mix van optimisme en realisme. In de AI-sector kan het soms lijken alsof je snel grote stappen zet, maar onze ervaring leert dat een eerste succesvolle proof of concept vaak slechts het begin is van een langdurig traject. Dan is er 1% voltooid en wacht nog 99%.
De inherente instabiliteit van kunstmatige intelligentie
Het eerste probleem waarvoor we een oplossing moeten vinden, is de instabiliteit van de AI-engine. In de afgelopen maanden heeft OpenAI aanzienlijke inspanningen verricht om het buitensporige energie- en waterverbruik terug te dringen. Met succes: de reactiesnelheid is flink verbeterd. In de ICT-wereld betekent een snellere reactietijd doorgaans minder berekeningen en dus ook minder energieverbruik.
Echter, zoals vaak het geval is in de wereld van AI-technologie, duikt er na het oplossen van één probleem al snel een nieuw probleem op. Recentelijk valt op dat ChatGPT vaker wisselende antwoorden geeft en inconsistent lijkt te zijn. Dit is een uitdaging waarmee elke AI-engine te maken krijgt, ongeacht de deskundigheid en professionaliteit van de ontwikkelaars. De oorzaak hiervan is dat elke verbetering aan een AI-engine tegelijkertijd een verandering is. We moeten accepteren dat deze instabiliteit inherent is aan AI-engines; ze zijn en blijven instabiel.
Voor ons is het cruciaal dat onze ChatKPI consistent en betrouwbaar blijft. Maar hoe realiseer je dat op een platform dat van nature instabiel kan zijn? Of het kan lees je in de volgende blogpost: leugens, grote leugens en kunstmatige intelligentie.