ИИ и данные могут изменить то, как развивающиеся рынки строят дома

Мы можем предсказывать погоду на семь дней вперед, диагностировать болезни с помощью камеры телефона и наносить на карту все дороги на Земле из космоса. Однако в странах, где спрос на жилье растет быстрее всего, мы не можем ответить на самые основные вопросы: где нам следует строить, для кого и сколько это будет стоить?

Глобальный жилищный кризис – это не проблема строительства. Это провал разведки. Африка сталкивается с дефицит 56 миллионов единиц потребуются инвестиции в размере $1,4 трлн. Юго-Восточная Азия имеет 200 миллионов человек в неформальных поселениях. Латинская Америка имеет отставание в более 23 миллионов домов. Однако, несмотря на эти основные цифры, правительствам большинства развивающихся стран не хватает базовых данных и аналитических возможностей для планирования на будущее. Полных реестров земель нет. Никаких детальных прогнозов спроса. Нет четкого представления о том, кому, что и где нужно. Программы стоимостью в миллиарды долларов разрабатываются на основе удивительно небольшого количества информации.

Неудивительно, что мы так часто видим несоответствие жильямиллионы домов построены не в тех местах, по неправильным ценам, для людей, которые не имеют к ним доступа.

Этот информационный вакуум является сдерживающим фактором. И именно здесь искусственный интеллект может изменить ситуацию.

В развитых странах жилищная политика опирается на стандартизированные данные: индексы цен, кадастровые системы, кредитные бюро. Развивающиеся рынки имеют огромные объемы данных, и последствия этого усиливаются. Девелоперы не могут обеспечить финансирование, поскольку кредиторам не хватает достоверной информации. Правительства разрабатывают субсидии, которые не достигают своих целей. Международные инвесторы остаются в стороне, потому что не могут моделировать риск.

Данные часто существуют. В роли Кесии Раст из Центр финансирования доступного жилья в Африке Как заметил, каждое разрешение, счет за коммунальные услуги и взнос по ипотеке генерируют запись, но каждый из них существует только для документирования этой конкретной транзакции. Задача не в сборе; это курирование: соединение разрозненных записей для создания подлинной картины того, как работают рынки жилья.

ИИ процветает в беспорядочной, фрагментированной среде – именно в тех условиях, которые определяют жилищное строительство на развивающихся рынках. Пять способностей имеют наибольшее значение.

Картирование невидимого: Организации Объединенных Наций инструмент ЛУЧА использует машинное обучение для обнаружения следов зданий по аэрофотоснимкам, сокращая месяцы ручного картографирования примерно до 72 часов. В Этеквини, Южная Африка, где четверть населения проживает в более чем 580 неформальных поселениях, BEAM нанес на карту более 1,5 миллионов контуров зданий, предоставив планировщикам данные для целенаправленной модернизации и обслуживания. С тех пор он был развернут в восьми столицах Центральной Америки, выявив более 6300 неформальных районов. В странах, где решения принимаются на основе данных переписи населения, зачастую прошедших десятилетиями, эти новые данные имеют решающее значение для обоснования разумных инвестиций в инфраструктуру и жилье.

Устойчивость к стихийным бедствиям и восстановление: Всемирного банка Глобальная программа устойчивого жилья использует изображения дронов и машинное обучение для проверки зданий каждый дом, извлекая материал крыши, тип конструкции и высоту, чтобы отметить те, которые с наибольшей вероятностью потерпят неудачу при землетрясении или урагане. После стихийного бедствия те же инструменты сравнить изображения до и после мероприятия чтобы составить карту ущерба в течение нескольких часов, а не месяцев. Подобные подходы тестируются для оценка лесных пожаров в Соединенных Штатах, где алгоритмы, установленные на дронах, обследуют целые районы, классифицируя постройки как разрушенные, поврежденные или неповрежденные. Эти данные напрямую используются для страховых выплат, вывоза мусора и планирования реконструкции. Важно отметить, что эти инструменты не просто подсчитывают потери; они помогают правительствам расставлять приоритеты в ремонте, направляя ресурсы в первую очередь в наиболее пострадавшие районы и определяя, какие дома можно модернизировать, а не перестроить. По оценкам, каждый доллар, потраченный на смягчение последствий, позволит сэкономить четыре доллара на этапе восстановления; ИИ позволяет узнать, куда должны пойти эти доллары.

Перспективное планирование: Синтезируя демографические, миграционные и экономические данные, ИИ может прогнозировать, где будет расти давление на жилье через пять или десять лет, давая отделам планирования с ограниченными ресурсами возможность подготовиться к спросу, а не быть перегруженным им.

Финансовая инклюзивность: Модели искусственного интеллекта, анализирующие транзакции мобильных денег и коммунальные платежи, могут создавать профили кредитоспособности для людей, которые никогда не имели банковского счета. Это открывает доступ к жилищному финансированию для населения, которое исключает традиционный кредитный скоринг. Финтех-кредиторы в Восточная Африка и Южная Азия уже делают это в масштабе.

Возможно, наиболее важным применением является предоставление правительствам возможности активно планировать, а не постоянно реагировать. Слишком многие программы субсидирования привязаны к средним показателям по стране, а не к местным реалиям. ИИ может изменить это уравнение, не заменяя планировщиков, а увеличивая возможности небольших команд. Данные в режиме реального времени о стоимости жилья, доходах и доступе к инфраструктуре могут позволить правительствам адаптировать субсидии к местоположению и типу домохозяйства. Машинное обучение может выявить сообщества, подверженные риску жилищного стресса, прежде чем они перейдут в неформальную жизнь, и оценить, какие программы действительно улучшают доступ, а какие просто завышают количество единиц жилья.

Чтобы реализовать это в больших масштабах, необходимы три смены. Во-первых, правительства должны инвестировать в инфраструктуру открытых данных: оцифровку земельных кадастров, стандартизацию данных о собственности и превращение данных о жилье в общественное благо. Такие усилия, как Глобальная база данных жильякоторый объединяет показатели дефицита, доступности, финансов и устойчивости по 75 странам, показывает, что становится возможным, когда фрагментированные данные собираются в единую сопоставимую платформу. Во-вторых, управление ИИ должно быть встроено с самого начала. Это означает прозрачность моделей, аудит справедливости и мнение сообщества. В-третьих, государственно-частные партнерства должны использовать аналитику, созданную искусственным интеллектом, для снижения рисков инвестиций. IFC оценивает глобальный Дефицит финансирования доступного жилья составляет 16 триллионов долларов; ни одно правительство не сможет решить эту проблему в одиночку.

Развивающиеся рынки находятся на стыке крупнейшей волны урбанизации в истории и самых мощных аналитических инструментов, которые у нас когда-либо были. Приведет ли это слияние к лучшим городам или просто к большим, зависит от обманчиво простой вещи: могут ли люди, принимающие решения о жилье, действительно видеть рынки, которые они пытаются сформировать.