نقشه حرارتی قیمت مسکن در تهران

در یک جستجوی اینترنتی  به سایت کیلید رسیدم. یک بخش از آن، نقشه قیمت مسکن در تهران بود. برایم جالب و خلاقانه آمد.

برای دیدن نقشه کامل روی لینک کلیک کنید و نقشه حرارتی قیمت را فعال کنید. (روی موبایل نشان نمی‌دهد)

قیمت خرید و اجاره در تهران. رنگ قرمز نشان دهنده قیمت بالاتر است

سایت کیلید هم وب‌سایت آینده‌داری به نظر می‌رسد.

مطلب مرتبط: ایده کسب و کار: موتور پیشنهاد قیمت (مسکن)

.

قیمت‌گذاری خدمات با استفاده از هوش مصنوعی

شاید برای شما اتفاق افتاده باشد (یا شاهد باشید) بعضی از مردم کرایه‌ی مسیر را، قبل از سوار شدن به مسافرکش شخصی با اسنپ یا تپ‌سی چک می‌کنند؟

 

 

با آمدن تاکسی‌های اینترنتی اتفاق جالبی افتاد: نرخ جابجایی یک مسافر از نقطه A به نقطه B مشخص شد. قیمتی که قبلاً مشخص نبود یا مردم عادی خبرنداشتند.

چون داده‌های زیادی روی پلتفرم‌های دیجیتال جمع می‌شود می‌توان از این‌ داده‌های حجیم یا Big Data استفاده کرد و قیمت خدمات ارائه شده توسط پلتفرم را تخمین زد. فکر کنید چقدر داده‌های حمل و نقل شهری روی دیتابیس شرکت‌های مثل تپ‌سی یا اسنپ  ذخیره می‌شود و از این حجم اطلاعات چه استفاده‌های زیادی می‌شود کرد. یک نمونه اینکه این شرکت‌ها می‌توانند مرجع قیمت‌‌گذاری برای نرخ خدمات حمل و نقل مسافر درون‌شهری باشند.

قبلاً در مطلبی جداگانه درباره قیمت‌گذاری مسکن با استفاده از هوش مصنوعی توضیح دادم. اینک می‌توانیم از داده‌های عمومی (Public Data)  مثل آگهی‌های سایت دیوار  استفاده کنیم و قیمت مسکن در مناطق مختلف شهر را حدس بزنیم. مسکن بیشتر چیزی از جنس کالا هست ولی می‌خواستم اینجا در مورد کشف قیمت خدمات صحبت کنم.

قیمت‌گذاری در کل یک مساله سخت و پیچیده است به خصوص قیمت‌گذاری خدمات.

مثلاً فرض کنید من یک طراح سایت هستم برای راه اندازی یک سایت چقدر باید دریافت کنم؟ آیا نرخ دقیقی وجود دارد؟ یا یک تعمیرکار لوازم خانگی هستم چقدر باید برای تعمیر یک ماشین لباس‌شویی دریافت کنم؟ یا راننده‌‌ام، برای حمل بار از شهر الف به شهر ب چقدر کرایه از مشتری مطالبه کنم؟

اگر کالاها را در نظر بگیریم در خیلی از موارد یک قیمت مشخص وجود دارد که در سراسر کشور یکسان هست. مثلاً قیمت یک پفک در همه جای کشور ۲ هزارتومان هست. ولی برای خدمات نمی‌توان یک قیمت ثابت و واحد پیشنهاد داد. خدمت نسبت به کالا پیچیدگی بیشتری دارد. پارامتر‌های زیادی در آن دخیل هستند. هر خدمت خود یک پروژه هست و از یک مشتری به مشتری دیگر فرق می‌کند. مثلاً برای یک نقاش ساختمان هر ساختمانی که رنگ می‌کند با ملک قبلی فرق می‌کند و نمی‌توان نرخ ثابت تعیین کرد.

عصر ما عصر داده هست و با ورود تکنولوژی جدید مثل GPS و اینترنت اشیا  و گوشی‌های هوشمند بسیاری از اطلاعات مشتریان  قابل دریافت و ذخیره سازی.

اصلاً شاید یکی از دلایلی که پلتفرم‌های دیجیتال پدید آمدند به این خاطر بود که داده‌های دنیای فیزیکی را یکجا جمع‌آوری کنند. اطلاعاتی که قبلاً ذخیره نمی‌شد یا امکان ذخیره نبود.

مثلاً پلتفرم نیروی انسانی مثل پونیشا یا Fiverr را در نظر بگیرید الان مترجمی که روی این پلتفرم کسب درآمد می‌کند می‌تواند قابل ردیابی و اندازه‌گیری باشد. اینکه چند پروژه انجام داده، یا دیگران چقدر از کار او راضی هستند و چند ستاره به او داده‌اند یا زمان تحویل و تاخیر آن چقدر بوده. اینها همه داده‌های و اطلاعاتی هستند که قبلاً جایی ذخیره نمی‌شد ولی با آمدن تکنولوژی و پلتفرم‌های دیجیتال امکان ذخیره هر نوع اطلاعاتی وجود دارد.

حال نوبت این می‌رسد که یک مدل هوش مصنوعی تعریف کنیم و این داده‌های را به آن بدهیم و خروجی‌ِ قیمت خدمات بگیریم.

مثلاً در پلتفرم دیجیتال ما ثبت شده که حسن اقا، نقاش ساختمان، برای یک متر نقاشی، یکبار ۵۰ هزارتومان بار دوم ۶۰ هزارتومان و بار nام ۴۵ هزارتومان دریافت کرده که میانگین می‌شود ۵۵ هزارتومان. حال اگر میانگین تمام نقاشان ساختمان را حساب کنیم می‌توانیم با تقریب خوبی بگوییم نرخ یک متر نقاشی ساختمان در ایران فلان قدر است.

به نظرم بخشی از مدل‌های هوش مصنوعی نهایتاً کارشان دادن یک عدد به عنوان خروجی هست. مثلاً گوگل را در نظر بگیرید. یک مدل هوش مصنوعی است که یک URL را می‌گیرد و یک عدد به آن تخصیص می‌دهد. هر URL که عدد بیشتری داشت رتبه‌ بهتری می‌گیرد. پس اینجا هم با یک عدد  که همان قیمت است مواجه هستیم.

 

سایر مطالب مرتبط با هوش مصنوعی و بیگ‌دیتا:

کاربرد اینترنت اشیا در بهبود رانندگی مردم

کاربرد هوش مصنوعی در شناسایی مزاحمان پیامکی

گوکل چطور مکان شما را تشخیص می‌دهد؟

عطش شرکت‌های تکنولوژی برای جمع آوری اطلاعات

 

دولت چین، با دوربین‌های خود، افراد را در چند دقیقه شناسایی می‌کند

یکی از مطالب قبلی به کنترل شرکت‌های تکنولوژی روی کاربران وجمع آوری اطلاعات شخصیاشاره کردم. طبیعتاً وقتی شرکت‌های خصوصی به خود حق این کار را می‌دهند نباید از دیگران انتظاری بیشتری داشت.

اخیراً شبکه بی‌بی سی گزارش داده دولت چین در حال ساخت بزرگترین و پیشرفته‌ترین سیستم دوربین های مداربسته دنیاست. در شهر guiayang پلیس در حال آزمایش این سیستم است. به طوری که تمام تصاویر شهروندان در بانک اطلاعاتی پلیس شهر جمع آوری شده است. برای بررسی عملکرد این سیستم خبرنگار بی بی سی تصویری از چهره‌ی خود را در اختیار پلیس قرار می‌دهد تا کارایی سیستم سنجیده شود. چقدر طول می‌کشد تا موقعیت او را شناسایی شود.

در ویدویی زیر که به زبان انگلیسی است می‌توانید نتیجه  این آزمایش را مشاهده می‌کنید. ادامه نوشته صرفاً ترجمه بخشی از  ویدیو است.

 

 

در چین دوبین‌های مداربسته در همراهی با با تکنولوژی هوش مصنوعی به صورت گسترده استفاده می‌شود. بعضی از دوربین‌ها می‌توانند چهره فرد را تشخیص دهند و بعضی دیگر حتی قادرند جنسیت، سن و قومیت فرد را از روی تصاویر گرفته شده تعیین کنند.

فقط یک کارخانه در hangzhou‌ یک میلیون دوربین مداربسته تولید و به فروش رسانده است. چین بزرگترین سیستم دوربین‌های مداربسته در جهان را داراست. تخمین زده می‌شود حدود ۱۷۰ میلیون دوربین CCTV در سراسر کشور نصب شده که این تعداد تا سال ۲۰۲۰ به بیش از سه برابر افزایش خواهد یافت.

کارشناس شرکت Dahua Technolgy می‌گوید: ما می‌توانیم چهره هر کس را با کارت شناسایی او تطبیق ‌دهیم و تمام حرکات و مکان‌هایی که در طول هفته اخیر رفته را استخراج کنیم. ما خودرو هر کس را با چهره او لینک می‌دهیم و حتی نزدیکان و کسانی که بیشتر با آن‌ها رفت و آمد می‌کند را شناسایی می‌کنیم. با افزایش تعداد دوربین‌ها قادریم تشخیص دهیم شما با چه کسانی بیشتر ملاقات می‌کنید.

Sudworth گزارشگر بی بی سی برای آزمایش این سیستم از نقطه نزدیک سی تی سنتر شروع به حرکت می‌کند تا پی برد سیستم چقدر طول می‌کشد تا او را شناسایی کند؟ قبلاً تصویر او به عنوان یک عنصر نامطلوب به سیستم اعلام شده.

چند دقیقه طول نمی‌کشد که دوربین موجود در محوطه چهره را تشخیص داده و صدای زنگ اتاق کنترل بلند می‌شود و ماموران بالافاصله او را دستگیر می‌کنند تمام این مراحل فقط ۷ دقیقه طول می‌کشد.

منبع (+)

واقعاً ارتباط با آدم‌ها به چه دردی می‌خورد؟

بعضی وقت‌ها با خودم فکر می‌کنمٰ، با این پیشرفت عظیم تکنولوژی، اصولاً نفس ارتباط با انسان‌های دیگر چه موضوعیتی دارد؟ آن‌ها به چه دردی می‌خورند؟

– وقتی می‌توانم از طریق گوگل هزاران مشتری داشته باشم چه نیازی است منت انسان‌ها را بکشم؟

– چرا برای یادگرفتن فلان مهارت در شرکت x و زیردست مدیر y کار کنم وقتی می‌توانم آنرا در متمم یاد بگیریم؟

– چرا باید در زمینه x به دردل‌ها و تجربه‌های شخصی آقای یا خانم z گوش کنم وقتی می‌توانم در آن حوزه به کتاب‌های درجه یک دنیا مراجعه کنم؟

– چرا به جای صحبت‌های مشروح، کتبی و مفصل یک نویسنده که ساعت‌ها برای آن وقت گذاشته گوش و مغزم را در اختیار حرف‌های منقطع، تکه تکه و شفاهی آدم‌هایی بکنم که چند ثانیه هم برای آن فکر نکردند؟

– چرا باید در کلاس‌ها و دوره‌های بهترین استاد ایران شرکت کنم وقتی‌ می‌توانم در coursera و udemy سرکلاس بهترین استاد جهان بنشینم؟

– چرا باید برای یافتن سوال‌های زندگی بجای علم و یافته‌های علمی سراغ تجربیات شخصی افراد بروم؟

– چرا وقتی قادرم جواب سوال‌هایم را از گوگل پیدا کنم دست به دامن دیگران شوم؟

در این دنیای جدید اساساً انسان‌ها به چه دردی می‌خورد؟ وقتی رقبای قوی‌تر و بهتر مثل کتاب، مقالات علمی و گوگل و نرم‌افزارها وجود دارند؟

چرا انسان‌ها بهتر از کتاب‌ها هستند؟

چرا انسان‌ها بهتر از مقالات علمی هستند؟

چرا انسان‌ها بهتر از گوگل هستند؟

چرا ….

معرفی سرویس Quill و گزارش‌گیری آسان‌تر از گوگل آنالیتیک

 Narrative Science یک شرکت در شیگاکو آمریکاست که در زمینه هوش مصنوعی فعالیت می‌کند حوزه تمرکز این شرکت تولید ماشینی محتوا یا content AI  است

 

 

مهمترین محصول این شرکت Quill است که برای تولید خودکار خبر، گزارشهای تجاری و تیتر اخبار استفاده می‌شود. موسساتی مثل فوربس و گروپون و کردیت سوییس از Quill برای تولید محتوا استفاده می‌کنند. یکی از کاربردهای سرویس Quill تبدیل آمار به گزارش است از جمله آمار و داده‌های سرویس گوگل آنالیتیک.

ما معمولاً برای آنالیز سایت یا وبلاگ خود از سرویس گوگل آنالیتیک استفاده می‌کنیم و مشکل این جاست که استفاده از این سرویس برای همه آسان نیست و پیچیدگی‌های خود را دارد. دانستن همه شاخص‌ها و تفسیر نمودارها به تخصص خاصی نیازمند است که از عهده هر کس برنمی‌آید. اگر چه امکاناتی مثل داشبورد برای گوگل آنالیتیک وجود دارد که شما می‌توانید آن‌ها از اینجا دانلود کنید ولی باز سختی ماجرا کمتر نمی‌شود.

سرویس Quill Engage که توسط Narrative Science ارائه شده به شما این امکان را می‌دهد که گزارشات گوگل آنالیتیک را به صورت ساده‌تر و قابل فهم‌تر استخراج کنید. Quill نمودارها و آمارهای سایت شما را به متن (Text) تبدیل می‌کند که خوانایی آن بیشتر شود. این سایت نسخه رایگان و پولی دارد که شما می‌توانید نسخه رایگان آن را بدون محدویت زمانی استفاده کنید. البته این سرویس مثل هر سرویس دیگر کامل نیست ولی ارزش آن را دارد که چند وقت یکبار آمارهای سایت خود را با آن چک کنیم.

برای اینکار کافی است به سایت quillengage.com مراجعه کنید و روی Sign Up کلیک کنید.

 

بعد از شما اکانت جیمیل شما را می‌خواهد و شما باید فلان را بزنید

 

بعد از بین اکانت‌های گوگل آنالیتیک آن گزینه‌ی که دوست دارید را انتخاب کنید

 

 

سایت شروع به تهیه گزارش از گوگل آنالیتیک شما می‌کند چند دقیقه باید منتظر بمانید بعد دو گزارش هفتگی و ماهانه آماده می‌شود

 

توجه: عددهایی که در ادامه می‌آید دستکاری شده اند

 

حال دو گزارش ماهانه و هفتگی تهیه شده که من روی گزارش ماهانه کلیک می‌کنم. صفحه زیر ظاهر می‌شود.

در اینجا سه شاخص بانس ریت، تعداد pageview ها و session ها برای ماه نوامبر نشان داده شده است.
همانطور که می‌بنیم این شاخص‌ها به ترتیب ۱۵۳، ۱۵۳ و ۸ درصد نسبت به ماه قبل افزایش پیدا کرده است.

 

در بخش بعدی آمار با تفضیل بیشتر توضیح داده شده :
Session افزایش پیدا کرده و از میانگین خود فراتر رفته است. میگوید: سایت یک رکورد جدید ثبت کرده و با افزایش ۱۵۳ درصدی به ۳.۷۴۰ session افزایش پیدا کرده است. جستجوی ارگانیک باعث افزایش ترافیک شد و با ۱۶۴ درصد افزایش به ۳.۱۴۷ session رسیده.

 

تغییرات در ماه‌های اخیر

 

ترافیک ورودی

 

 

ترافیک ارجاعی

 

کاربران جدید و تکراری

 

 

منطقه جغرافیایی

 

ترافیک پولی

 

در‌آخر می‌توانید گزارش را به ایمیل خود ارسال کنید

 

PDF کامل گزارش‌های Qeill را می‌توانید از اینجا دریافت کنید.

البته بدی ماجرا این است که همه گزارش‌ها به زبان انگلیسی است و کسانی که مهارت زبان آن‌ها قوی نیست خود خواندن گزارش های متنی سختر از نمودار است. به همین خاطر جای برای یک ایده جدید است که کسی همین شکل نرم افزارها را برای زبان فارسی ایجاد کند تا گزارش‌ها به زبان فارسی را به صورت اتوماتیک و ماشینی تولید کند.