آموزش و راهنما

هوش مصنوعی در املاک؛ کاربردها و ساخت مشاور املاک هوشمند با API

هوش مصنوعی می‌تواند جست‌وجوی ملک با زبان طبیعی، تولید آگهی، تحلیل درخواست مشتری، پاسخ‌گویی، خلاصه‌سازی اسناد و مدیریت سرنخ‌های فروش را بهبود دهد. در این راهنما، کاربردهای هوش مصنوعی در املاک و روش ساخت دستیار هوشمند جست‌وجوی ملک با API را بررسی می‌کنیم.

هوش مصنوعی در املاک فقط برای تولید متن آگهی یا پاسخ‌گویی خودکار نیست. یک سامانه هوشمند می‌تواند درخواست محاوره‌ای خریدار یا مستأجر را تحلیل کند، ویژگی‌های موردنظر را استخراج کند، ملک‌های موجود را از پایگاه داده بیابد و نتایج مناسب را برای بررسی پیشنهاد دهد.

برای مثال، کاربر ممکن است بنویسد:

یک آپارتمان دوخوابه در غرب تهران می‌خواهم که کمتر از ۱۰ سال ساخت باشد، پارکینگ داشته باشد و با بودجه من سازگار باشد. ترجیحاً تا محل کارم بیشتر از ۳۰ دقیقه فاصله نداشته باشد.

سامانه سنتی معمولاً از کاربر می‌خواهد چندین فیلتر را جداگانه تکمیل کند. مدل زبانی می‌تواند همین جمله را به فیلترهای ساختاریافته تبدیل کند؛ اما جست‌وجوی ملک، بررسی موجودبودن آگهی، محاسبه فاصله و نمایش قیمت باید بر اساس اطلاعات واقعی سامانه انجام شود.

این معماری می‌تواند در وب‌سایت‌های ثبت آگهی، CRM املاک، نرم‌افزار مدیریت فایل، سامانه اجاره، پلتفرم‌های PropTech و ابزارهای داخلی مشاوران املاک استفاده شود.

در این مقاله با کاربردهای هوش مصنوعی برای مشاور املاک، تولید آگهی ملک، جست‌وجوی هوشمند و روش ساخت یک دستیار املاک با API درواره آشنا می‌شویم.

هوش مصنوعی در املاک چیست؟

هوش مصنوعی در املاک به استفاده از مدل‌های زبانی، بینایی ماشین، پردازش سند، جست‌وجوی معنایی و مدل‌های تحلیلی در فرایندهای خرید، فروش، اجاره و مدیریت ملک گفته می‌شود.

کاربردهای این فناوری را می‌توان در چند گروه قرار داد:

تحلیل درخواست خریدار یا مستأجر
جست‌وجوی ملک با زبان طبیعی
تولید توضیحات آگهی
پاسخ‌گویی به سؤالات کاربران
طبقه‌بندی سرنخ‌های فروش
خلاصه‌سازی اطلاعات ملک
استخراج اطلاعات از اسناد و فرم‌ها
تحلیل تصاویر ملک
مدیریت ارتباط با مشتری
آماده‌سازی گزارش بازار
پیشنهاد ملک‌های مرتبط
برنامه‌ریزی بازدید

در نظرسنجی فناوری سال ۲۰۲۵ انجمن ملی مشاوران املاک آمریکا نیز استفاده فعالان این صنعت از ابزارهای هوش مصنوعی و تأثیر آن بر فعالیت‌های حرفه‌ای بررسی شده است. گزارش فناوری NAR درباره کاربرد هوش مصنوعی در املاک

هوش مصنوعی چگونه کار مشاور املاک را تغییر می‌دهد؟

مشاور املاک معمولاً با اطلاعات پراکنده‌ای سروکار دارد:

خواسته‌های خریدار در تماس یا پیام
مشخصات فایل‌های ملکی
تصاویر و ویدئوها
وضعیت مالک و بازدید
قیمت‌های پیشنهادی
مکالمات گذشته
قراردادها و فرم‌ها
اطلاعات محله
سرنخ‌های ورودی از کانال‌های مختلف

مدل هوش مصنوعی می‌تواند این اطلاعات را بخواند، خلاصه کند و به ساختار قابل‌استفاده تبدیل کند. بااین‌حال، هوش مصنوعی نباید اطلاعاتی مانند قیمت، مالکیت، وضعیت سند یا موجودبودن ملک را از خودش تولید کند.

تفکیک درست مسئولیت‌ها چنین است:

بخش	مسئولیت
مدل هوش مصنوعی	فهم درخواست، استخراج ویژگی‌ها و تولید پیشنهاد
پایگاه داده ملک	نگهداری قیمت، وضعیت و مشخصات واقعی
موتور جست‌وجو	اعمال فیلتر و بازیابی ملک
سرویس نقشه	محاسبه مختصات، فاصله و زمان سفر
CRM	ثبت مشتری، پیگیری و سابقه ارتباط
مشاور املاک	بررسی نیاز، مذاکره و تأیید اطلاعات
کارشناس حقوقی	بررسی اسناد، قرارداد و وضعیت حقوقی

مهم‌ترین کاربردهای هوش مصنوعی در املاک

جست‌وجوی هوشمند ملک با زبان طبیعی

یکی از مهم‌ترین کاربردها، تبدیل درخواست محاوره‌ای کاربر به فیلترهای جست‌وجو است.

کاربر به‌جای انتخاب جداگانه ده‌ها فیلتر می‌تواند بنویسد:

خانه‌ای سه‌خوابه در شیراز می‌خواهم که آسانسور و پارکینگ داشته باشد، برای خانواده مناسب باشد و تا دانشگاه بیشتر از بیست دقیقه فاصله نداشته باشد.

مدل می‌تواند اطلاعات زیر را استخراج کند:

نوع معامله
شهر
محله‌های موردنظر
تعداد اتاق
امکانات ضروری
امکانات ترجیحی
محدودیت بودجه
محدودیت سن بنا
مقصد رفت‌وآمد
حداکثر زمان سفر
موارد مبهم

سپس موتور جست‌وجوی سامانه، فیلترها را روی فایل‌های موجود اعمال می‌کند.

پلتفرم Zillow نیز جست‌وجوی ملک با زبان طبیعی را پیاده‌سازی کرده است تا کاربران بتوانند ویژگی‌هایی مانند موقعیت، سبک، امکانات، زمان رفت‌وآمد و نقاط مهم اطراف را با زبان روزمره بیان کنند. جست‌وجوی ملک با زبان طبیعی در Zillow

این نمونه نشان می‌دهد که نقش مناسب مدل، فهم زبان کاربر است؛ نتایج باید از اطلاعات زنده آگهی‌ها بازیابی شوند.

هوش مصنوعی برای تولید آگهی ملک

تولید آگهی ملک با هوش مصنوعی یکی از کاربردهای ساده و پرتقاضا برای مشاوران املاک است.

مدل می‌تواند از اطلاعات ساختاریافته یک پیش‌نویس تولید کند:

عنوان آگهی
توضیح کوتاه
توضیح کامل
معرفی امکانات
نقاط برجسته ملک
متن مناسب شبکه اجتماعی
پیام معرفی برای مشتریان قبلی
چند نسخه با لحن‌های مختلف

ورودی مناسب می‌تواند شامل این فیلدها باشد:

{
  "transaction_type": "sale",
  "property_type": "apartment",
  "city": "تهران",
  "neighborhood": "سعادت‌آباد",
  "area_m2": 125,
  "bedrooms": 3,
  "building_age": 6,
  "parking": true,
  "elevator": true,
  "storage": true,
  "floor": 4,
  "verified_features": [
    "نورگیری مناسب",
    "بازسازی آشپزخانه"
  ]
}

مدل باید فقط از اطلاعات تأییدشده استفاده کند. اگر پارکینگ، جهت ساختمان یا نوع سند مشخص نیست، نباید آن را به متن اضافه کند.

عبارت‌هایی مانند «بهترین موقعیت منطقه»، «قیمت استثنایی»، «سند بدون مشکل» یا «سرمایه‌گذاری تضمینی» نیز نباید بدون مبنای معتبر تولید شوند.

نوشتن عنوان جذاب برای آگهی

عنوان آگهی باید کوتاه، واقعی و متناسب با ویژگی‌های اصلی ملک باشد.

نمونه‌های قابل‌قبول:

آپارتمان ۱۲۵ متری سه‌خوابه در سعادت‌آباد
واحد دوخوابه دارای پارکینگ و آسانسور
دفتر اداری ۹۰ متری نزدیک ایستگاه مترو
ویلای دوبلکس با حیاط در محدوده ثبت‌شده

عنوان نامناسب:

بهترین آپارتمان تهران با سود قطعی
ارزان‌ترین ملک منطقه
فرصت تضمینی که تکرار نمی‌شود
سند کاملاً بی‌نقص

مدل می‌تواند چند عنوان پیشنهاد دهد، اما اطلاعات مقایسه‌ای و حقوقی باید جداگانه بررسی شوند.

ساخت چت‌بات مشاور املاک

چت‌بات املاک می‌تواند به سؤالات اولیه کاربران پاسخ دهد:

چه فایل‌هایی با این بودجه موجود است؟
این ملک چند اتاق دارد؟
آیا پارکینگ دارد؟
هزینه اعلام‌شده چقدر است؟
امکان بازدید چه زمانی وجود دارد؟
فایل مشابه در محله دیگری دارید؟
وضعیت این آگهی چیست؟
چه اطلاعاتی برای ثبت درخواست لازم است؟

چت‌بات باید برای پاسخ‌های واقعی از ابزارهای سامانه استفاده کند. برای مثال، اگر کاربر درباره موجودبودن یک ملک سؤال کرد، مدل باید وضعیت را از پایگاه داده دریافت کند.

پاسخ زیر بدون استعلام معتبر نیست:

بله، ملک همچنان موجود است و فردا ساعت ۵ می‌توانید بازدید کنید.

پاسخ مناسب‌تر:

وضعیت فایل و ظرفیت بازدید را بررسی می‌کنم.

سپس Backend وضعیت آگهی و زمان‌های واقعی را دریافت می‌کند و نتیجه را در اختیار مدل می‌گذارد.

پیشنهاد ملک‌های مشابه

سیستم پیشنهاددهنده می‌تواند ملک‌های نزدیک به نیاز کاربر را نمایش دهد. این کار فقط بر اساس شباهت کلمات انجام نمی‌شود.

معیارها می‌توانند شامل موارد زیر باشند:

نوع معامله
محدوده قیمت
محله
متراژ
تعداد اتاق
سن بنا
امکانات
طبقه
نوع کاربری
فاصله از نقاط مهم
اولویت‌های رفت‌وآمد
رفتار قبلی کاربر

Embedding می‌تواند توضیحات متنی ملک و درخواست مشتری را به بردار تبدیل کند و شباهت معنایی میان آن‌ها را بسنجد.

برای مثال، درخواست «خانه پرنور و آرام مناسب دورکاری» ممکن است با آگهی‌هایی مرتبط باشد که دقیقاً همین عبارت را ندارند اما درباره نور طبیعی، اتاق کار و کوچه کم‌رفت‌وآمد توضیح داده‌اند.

برای آشنایی بیشتر می‌توانید مقاله Embedding چیست و چه کاربردی دارد؟ را مطالعه کنید.

تحلیل و دسته‌بندی سرنخ‌های املاک

هر پیام ورودی الزاماً یک مشتری آماده معامله نیست. هوش مصنوعی می‌تواند اطلاعات اولیه سرنخ را استخراج کند:

نوع درخواست
خرید، فروش، رهن یا اجاره
محدوده موردنظر
بودجه اعلام‌شده
زمان احتمالی تصمیم
ویژگی‌های ضروری
اطلاعات ناقص
اقدام بعدی پیشنهادی

مدل نباید درباره توان مالی، اعتبار یا جدیت فرد نتیجه قطعی بگیرد. بهتر است سرنخ‌ها بر اساس اطلاعات آشکار و قابل‌بررسی دسته‌بندی شوند.

نمونه دسته‌بندی:

نیازمند تکمیل اطلاعات
آماده دریافت پیشنهاد
درخواست بازدید
مالک متقاضی ثبت فایل
پیگیری قرارداد
سؤال عمومی
درخواست نامرتبط

خلاصه‌سازی مکالمات مشتری

مشتری ممکن است طی چند تماس و پیام، نیازهای خود را تغییر دهد. دستیار هوشمند می‌تواند خلاصه به‌روزی بسازد:

نوع درخواست: اجاره آپارتمان
محدوده: یوسف‌آباد یا امیرآباد
بودجه: نیازمند تأیید
حداقل اتاق: ۲
موارد ضروری: آسانسور، پارکینگ
ترجیح: فاصله کم تا محل کار
آخرین اقدام: سه فایل ارسال شده
مرحله بعدی: دریافت نظر مشتری درباره فایل دوم

این خلاصه باید میان «اطلاعات مشتری»، «پیشنهاد مدل» و «وضعیت واقعی CRM» تفاوت قائل شود.

پیگیری خودکار مشتریان

هوش مصنوعی می‌تواند پیش‌نویس پیام پیگیری تولید کند:

پیگیری نظر درباره فایل‌های ارسال‌شده
یادآوری بازدید
معرفی فایل جدید
درخواست تکمیل بودجه یا محدوده
پیگیری مالک برای به‌روزرسانی وضعیت
درخواست بازخورد پس از بازدید

ارسال خودکار پیام باید با قواعد مشخص انجام شود. برای مثال، سامانه باید فاصله زمانی، رضایت کاربر، وضعیت پرونده و تعداد پیام‌های قبلی را کنترل کند.

خلاصه‌سازی اطلاعات ملک

اطلاعات یک فایل ممکن است در فرم، یادداشت مشاور، پیام مالک و توضیحات قبلی پراکنده باشد.

مدل می‌تواند یک خلاصه استاندارد آماده کند:

مشخصات پایه
امکانات تأییدشده
محدودیت‌ها
نکات نیازمند بررسی
وضعیت بازدید
درخواست مالک
آخرین تغییرات

اگر میان منابع اختلاف وجود داشته باشد، مدل نباید یکی را به‌عنوان حقیقت انتخاب کند. اختلاف باید برای بررسی علامت‌گذاری شود.

استخراج اطلاعات از فرم‌ها و اسناد

مدل‌های چندوجهی می‌توانند اطلاعات موجود در تصویر یا PDF را استخراج کنند؛ برای مثال:

نوع سند
شماره‌های درج‌شده
تاریخ‌ها
متراژ ذکرشده
نام‌های موجود
شماره واحد
مشخصات ثبتی نوشته‌شده
بندهای قرارداد

استخراج متن از سند به معنی تأیید اصالت یا اعتبار حقوقی آن نیست. اطلاعات مهم باید با اصل سند، سامانه‌های معتبر و نظر فرد متخصص بررسی شوند.

گوگل در مجموعه کاربردهای صنعتی هوش مصنوعی، نمونه‌ای از استفاده مدل‌ها برای استخراج اطلاعات از اسناد ملکی و تولید محتوای فروش را معرفی کرده است. نمونه‌های واقعی کاربرد هوش مصنوعی مولد در صنایع

تحلیل تصاویر ملک

مدل بینایی می‌تواند ویژگی‌های قابل‌مشاهده تصویر را توصیف کند:

نوع فضا
وجود پنجره
نوع کف‌پوش قابل‌مشاهده
سبک تقریبی آشپزخانه
خالی یا مبله‌بودن اتاق
کیفیت ظاهری تصویر
مشکلات عکاسی
پیشنهاد ترتیب نمایش تصاویر

اما مدل نباید از روی تصویر، مواردی مانند کیفیت قطعی سازه، متراژ دقیق، قدمت واقعی، مالکیت یا سلامت تأسیسات را تعیین کند.

بهبود تصاویر آگهی

هوش مصنوعی می‌تواند برای اصلاح نور، حذف نویز، تنظیم کادر یا ایجاد چیدمان مجازی استفاده شود. بااین‌حال، تصویر ویرایش‌شده نباید وضعیت واقعی ملک را تحریف کند.

اگر مبلمان، دکوراسیون یا اجزایی به‌صورت مجازی اضافه شده‌اند، بهتر است تصویر با برچسب مشخصی مانند «چیدمان مجازی» نمایش داده شود.

حذف ترک، نم، خرابی یا تغییر دائمی فضای واقعی می‌تواند مخاطب را گمراه کند و نباید بخشی از ویرایش عادی آگهی باشد.

جست‌وجوی مکانی و محله‌محور

در بسیاری از درخواست‌ها، موقعیت از قیمت و متراژ نیز مهم‌تر است:

نزدیک محل کار
اطراف دانشگاه
دسترسی به مترو
فاصله تا مدرسه
محدوده مشخص روی نقشه
حداکثر زمان رفت‌وآمد
نزدیکی به خدمات شهری

مدل زبانی می‌تواند مقصد و محدودیت کاربر را استخراج کند، اما محاسبه مختصات و فاصله باید توسط سرویس مکانی انجام شود.

Geocoding آدرس متنی را به مختصات جغرافیایی تبدیل می‌کند و Reverse Geocoding مسیر معکوس را انجام می‌دهد. مستندات Geocoding API گوگل

گوگل همچنین جست‌وجوی نقشه‌محور و شناخت محله را از کاربردهای راهکارهای مکانی در املاک معرفی می‌کند. راهکارهای Google Maps برای املاک

ساخت گزارش بازار

هوش مصنوعی می‌تواند داده‌های آماری محاسبه‌شده را به یک گزارش قابل‌فهم تبدیل کند:

تغییر تعداد فایل‌ها
میانگین و میانه قیمت
زمان ماندگاری آگهی
توزیع متراژ
تعداد فایل در هر محله
نسبت فایل‌های فروش و اجاره
تغییر تقاضای ثبت‌شده
ویژگی‌های پرتکرار کاربران

مدل زبانی نباید محاسبات اصلی را روی متن پراکنده انجام دهد. بهتر است اعداد توسط پایگاه داده یا ابزار تحلیلی محاسبه و سپس برای توضیح به مدل داده شوند.

هوش مصنوعی برای قیمت‌گذاری ملک

تخمین قیمت ملک یکی از حساس‌ترین کاربردهای هوش مصنوعی در املاک است.

یک مدل قیمت‌گذاری تخصصی ممکن است داده‌هایی مانند این موارد را بررسی کند:

موقعیت جغرافیایی
متراژ
سن بنا
طبقه
امکانات
کاربری
معاملات مقایسه‌ای
وضعیت بازار
کیفیت و کامل‌بودن داده
ویژگی‌های خاص ملک

مدل زبانی عمومی به‌تنهایی ابزار مناسبی برای تعیین قیمت نیست. این مدل ممکن است به داده‌های جاری معاملات دسترسی نداشته باشد و عددی بدون مبنای معتبر تولید کند.

اگر سامانه تخمین قیمت ساخته می‌شود، باید:

از داده‌های معتبر و به‌روز استفاده کند.
تاریخ برآورد را نمایش دهد.
دامنه یا بازه عدم‌قطعیت ارائه کند.
عوامل مؤثر را توضیح دهد.
امکان بررسی توسط کارشناس فراهم باشد.
برآورد را با قیمت قطعی معامله اشتباه نگیرد.
از ادعای تضمین سود یا قیمت آینده خودداری کند.

آموزش ساخت جست‌وجوی هوشمند ملک با API درواره

در این مثال، درخواست فارسی کاربر را به فیلترهای ساختاریافته تبدیل می‌کنیم. مدل هیچ ملکی تولید نمی‌کند و فقط منظور کاربر را استخراج می‌کند.

نصب کتابخانه‌ها

pip install openai pydantic

تنظیم متغیرهای محیطی

export DARVAREH_API_KEY="YOUR_API_KEY"
export DARVAREH_MODEL="YOUR_MODEL_ID"

شناسه مدل را از فهرست فعلی مدل‌های درواره انتخاب کنید.

کد پایتون

import os
from typing import Literal

from openai import OpenAI
from pydantic import BaseModel, Field, ValidationError


client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
)

MODEL_ID = os.environ["DARVAREH_MODEL"]


class PropertySearchRequest(BaseModel):
    transaction_type: Literal[
        "buy",
        "rent",
        "mortgage_rent",
        "presale",
        "other",
        "unclear",
    ]
    property_type: Literal[
        "apartment",
        "villa",
        "office",
        "shop",
        "land",
        "warehouse",
        "other",
        "unclear",
    ]
    city: str | None
    neighborhoods: list[str]
    min_area_m2: int | None
    max_area_m2: int | None
    min_bedrooms: int | None
    max_building_age: int | None
    max_purchase_budget: int | None
    max_mortgage_budget: int | None
    max_monthly_rent: int | None
    required_features: list[str]
    preferred_features: list[str]
    commute_destination: str | None
    max_commute_minutes: int | None
    missing_information: list[str]
    clarification_question: str | None
    normalized_summary: str = Field(max_length=500)


def parse_property_request(
    user_message: str,
) -> PropertySearchRequest:
    prompt = f"""
درخواست کاربر برای جست‌وجوی ملک را تحلیل کن.

قواعد:
- فقط اطلاعاتی را استخراج کن که در متن وجود دارد.
- قیمت، محله، متراژ یا ویژگی‌ها را حدس نزن.
- تمام مبالغ را به ریال تبدیل کن.
- بین ویژگی ضروری و ترجیحی تفاوت بگذار.
- اگر نوع معامله یا ملک مشخص نیست، unclear قرار بده.
- اگر حداقل یا حداکثر بیان نشده است، مقدار null باشد.
- عبارت‌هایی مانند «حدوداً» یا «ترجیحاً» را قطعی تفسیر نکن.
- اگر اطلاعات مهمی برای جست‌وجو وجود ندارد، فقط یک
  سؤال تکمیلی کوتاه در clarification_question بنویس.
- normalized_summary نباید هیچ ویژگی جدیدی اضافه کند.
- پاسخ را فقط به‌صورت JSON معتبر برگردان.
- هیچ متن یا Markdown خارج از JSON ننویس.

درخواست کاربر:
{user_message}
"""

    completion = client.chat.completions.create(
        model=MODEL_ID,
        temperature=0.1,
        messages=[
            {
                "role": "system",
                "content": (
                    "شما دستیار تحلیل درخواست جست‌وجوی ملک "
                    "هستید. اطلاعات را بدون حدس استخراج می‌کنید "
                    "و فقط JSON معتبر تولید می‌کنید."
                ),
            },
            {
                "role": "user",
                "content": prompt,
            },
        ],
    )

    content = completion.choices[0].message.content

    if not content:
        raise ValueError("پاسخی از مدل دریافت نشد.")

    try:
        return PropertySearchRequest.model_validate_json(
            content
        )
    except ValidationError as error:
        raise ValueError(
            f"ساختار پاسخ مدل معتبر نیست: {error}"
        ) from error


result = parse_property_request(
    """
    برای خرید یک آپارتمان حداقل ۱۱۰ متری در تهران،
    ترجیحاً پونک یا جنت‌آباد، دنبال فایل هستم.
    حداقل دو اتاق داشته باشد و پارکینگ و آسانسور ضروری است.
    انباری هم اگر داشته باشد بهتر است. ساختمان بیشتر از
    ۱۲ سال عمر نداشته باشد. بودجه من حداکثر ۱۵ میلیارد
    تومان است.
    """
)

print(result.model_dump_json(indent=2))

نمونه خروجی

{
  "transaction_type": "buy",
  "property_type": "apartment",
  "city": "تهران",
  "neighborhoods": [
    "پونک",
    "جنت‌آباد"
  ],
  "min_area_m2": 110,
  "max_area_m2": null,
  "min_bedrooms": 2,
  "max_building_age": 12,
  "max_purchase_budget": 150000000000,
  "max_mortgage_budget": null,
  "max_monthly_rent": null,
  "required_features": [
    "پارکینگ",
    "آسانسور"
  ],
  "preferred_features": [
    "انباری"
  ],
  "commute_destination": null,
  "max_commute_minutes": null,
  "missing_information": [],
  "clarification_question": null,
  "normalized_summary": "خرید آپارتمان حداقل ۱۱۰ متری و دوخوابه در پونک یا جنت‌آباد تهران با حداکثر سن بنای ۱۲ سال و بودجه حداکثر ۱۵ میلیارد تومان؛ پارکینگ و آسانسور ضروری و انباری ترجیحی است."
}

نکته مهم این مثال، تبدیل تومان به ریال است. برنامه باید تبدیل واحد پول را دوباره کنترل کند؛ زیرا اشتباه در تعداد صفرها می‌تواند نتیجه جست‌وجو را کاملاً تغییر دهد.

اعمال فیلترها روی پایگاه داده ملک

پس از دریافت خروجی، جست‌وجوی واقعی باید توسط نرم‌افزار انجام شود.

def property_matches(
    property_item: dict,
    request: PropertySearchRequest,
) -> bool:
    if (
        request.city
        and property_item["city"] != request.city
    ):
        return False

    if (
        request.neighborhoods
        and property_item["neighborhood"]
        not in request.neighborhoods
    ):
        return False

    if (
        request.min_area_m2 is not None
        and property_item["area_m2"]
        < request.min_area_m2
    ):
        return False

    if (
        request.min_bedrooms is not None
        and property_item["bedrooms"]
        < request.min_bedrooms
    ):
        return False

    if (
        request.max_building_age is not None
        and property_item["building_age"]
        > request.max_building_age
    ):
        return False

    if (
        request.max_purchase_budget is not None
        and property_item["price"]
        > request.max_purchase_budget
    ):
        return False

    available_features = set(
        property_item["features"]
    )

    if not set(request.required_features).issubset(
        available_features
    ):
        return False

    return True

این تابع از مدل نمی‌خواهد تشخیص دهد کدام ملک موجود یا مناسب است. اطلاعات واقعی هر فایل را با محدودیت‌های استخراج‌شده مقایسه می‌کند.

در نسخه عملی باید موارد دیگری نیز بررسی شوند:

فعال‌بودن آگهی
آخرین زمان تأیید فایل
نوع معامله
واحد پول
دسترسی کاربر
فایل‌های تکراری
اعتبار مشخصات
محدودیت نمایش
وضعیت مالک
صفحه‌بندی نتایج

رتبه‌بندی نتایج پیشنهادی

پس از اعمال شرایط ضروری، می‌توان امتیاز ترجیحات را محاسبه کرد.

برای مثال:

def preference_score(
    property_item: dict,
    request: PropertySearchRequest,
) -> int:
    available = set(property_item["features"])
    preferred = set(request.preferred_features)

    return len(available.intersection(preferred))

در نسخه پیشرفته، معیارهایی مانند فاصله از مقصد، تازگی آگهی و نزدیکی قیمت به بودجه نیز می‌توانند به امتیاز اضافه شوند.

وزن هر عامل باید مشخص و قابل‌تنظیم باشد. بهتر است کاربر نیز بداند چرا یک ملک پیشنهاد شده است:

مطابق با تمام شرایط ضروری
دارای انباری به‌عنوان ویژگی ترجیحی
۸ درصد پایین‌تر از سقف بودجه
در یکی از محله‌های انتخاب‌شده
فاصله محاسبه‌شده تا مقصد کمتر از حد تعیین‌شده

معماری پیشنهادی چت‌بات املاک

پیام کاربر
    ↓
Backend وب‌سایت یا اپلیکیشن
    ↓
مدل هوش مصنوعی
    ↓
خروجی ساختاریافته درخواست
    ↓
اعتبارسنجی واحد پول و فیلترها
    ↓
جست‌وجو در پایگاه داده ملک
    ↓
محاسبه موقعیت و فاصله
    ↓
رتبه‌بندی نتایج معتبر
    ↓
تولید توضیح برای نتایج
    ↓
نمایش به کاربر

در این معماری، مدل فقط در بخش‌هایی استفاده می‌شود که به درک یا تولید زبان نیاز دارند. داده‌های اصلی توسط سامانه مدیریت می‌شوند.

اتصال دستیار املاک به ابزارهای داخلی

با استفاده از Function Calling می‌توان ابزارهای محدودی در اختیار مدل قرار داد:

search_properties
get_property_details
check_listing_status
find_similar_properties
get_available_visit_slots
create_lead_draft
schedule_visit
get_neighborhood_information

سمت سرور باید هر فراخوانی را کنترل کند:

آیا کاربر به این اطلاعات دسترسی دارد؟
آیا شناسه ملک معتبر است؟
آیا آگهی هنوز فعال است؟
آیا زمان بازدید آزاد است؟
آیا اطلاعات تماس قابل‌نمایش است؟
آیا تأیید کاربر برای ثبت لازم است؟
آیا عملیات قبلاً انجام شده است؟

برای مطالعه بیشتر به مقاله Function Calling چیست؟ مراجعه کنید.

رزرو بازدید ملک با هوش مصنوعی

مدل می‌تواند عبارت‌هایی مانند «فردا عصر»، «پنجشنبه بعد از ساعت چهار» یا «اولین زمان خالی آخر هفته» را تحلیل کند.

اما فرایند درست رزرو شامل این مراحل است:

استخراج ترجیح زمانی کاربر
دریافت ظرفیت واقعی از تقویم
نمایش گزینه‌های معتبر
انتخاب یک گزینه توسط کاربر
بررسی دوباره ظرفیت
ثبت قطعی قرار
ارسال تأییدیه

مدل نباید پیش از ثبت موفق، زمان را قطعی اعلام کند.

مقاله نوبت‌دهی با هوش مصنوعی معماری این فرایند را با جزئیات بیشتری توضیح می‌دهد.

چگونه جلوی آگهی‌های نادرست تولیدشده با هوش مصنوعی را بگیریم؟

ورودی ساختاریافته استفاده کنید

پیش از تولید متن، مشخصات ملک را از فرم یا پایگاه داده دریافت کنید.

فیلدهای تأییدشده را جدا کنید

هر ویژگی باید وضعیت مشخصی داشته باشد:

تأییدشده
اعلام‌شده توسط مالک
نیازمند بررسی
نامشخص

مدل فقط باید ویژگی‌های مجاز را در متن نهایی استفاده کند.

عددها را پس از تولید کنترل کنید

قیمت، متراژ، تعداد اتاق، طبقه و سن بنا را با رکورد اصلی مقایسه کنید.

ادعاهای ممنوع تعریف کنید

فهرستی از ادعاهای غیرمجاز تهیه کنید:

سود تضمینی
رشد قطعی قیمت
بهترین قیمت منطقه
بدون مشکل حقوقی
سند تضمینی
امکان تغییر کاربری قطعی

خروجی را پیش از انتشار بررسی کنید

در نسخه اولیه، هیچ متن تولیدشده‌ای نباید بدون بررسی مشاور منتشر شود.

نسخه ورودی و خروجی را ثبت کنید

برای بررسی خطا باید مشخص باشد متن بر اساس کدام اطلاعات و با کدام نسخه مدل تولید شده است.

بهترین هوش مصنوعی برای مشاور املاک کدام است؟

پاسخ واحدی برای تمام کاربردها وجود ندارد. مدل مناسب باید بر اساس وظیفه انتخاب شود.

برای تولید آگهی

کیفیت نگارش فارسی، رعایت اطلاعات ورودی و توانایی تولید متن کوتاه اهمیت دارند.

برای جست‌وجوی هوشمند

استخراج دقیق عدد، محله، نوع معامله و ویژگی‌های ضروری مهم‌تر از خلاقیت است.

برای تحلیل سند

مدل باید قابلیت پردازش تصویر یا PDF داشته باشد و نتیجه آن با اصل سند کنترل شود.

برای چت‌بات املاک

سرعت، توانایی Function Calling، مدیریت گفت‌وگو و اتصال به داده‌های جاری اهمیت دارند.

برای جست‌وجوی معنایی

علاوه بر مدل زبانی، به مدل Embedding و پایگاه داده برداری نیاز است.

برای تحلیل تصویر

مدل چندوجهی باید ویژگی‌های قابل‌مشاهده را بدون افزودن ادعاهای غیرقابل‌اثبات توصیف کند.

بهترین روش این است که چند مدل را روی مجموعه‌ای ثابت از پیام‌ها و فایل‌های واقعی مقایسه کنید.

ارزیابی کیفیت دستیار هوش مصنوعی املاک

قابلیت	معیار ارزیابی
تحلیل درخواست	دقت استخراج فیلترها
پردازش بودجه	دقت عدد و تبدیل تومان به ریال
جست‌وجوی ملک	درصد نتایج منطبق با شرایط ضروری
پیشنهاد مشابه	نرخ تعامل با نتایج
تولید آگهی	تعداد اصلاحات مشاور
چت‌بات	درصد پاسخ‌های مبتنی بر داده واقعی
ثبت سرنخ	کامل‌بودن و صحت فیلدها
رزرو بازدید	نرخ ثبت بدون تداخل
خروجی فنی	نرخ JSON معتبر
هزینه	هزینه متوسط هر درخواست

ارزیابی باید پیام‌های دشوار را نیز پوشش دهد:

بودجه مبهم
چند محله جایگزین
رهن و اجاره هم‌زمان
اعداد فارسی و انگلیسی
تناقض در درخواست
عبارت‌های محاوره‌ای
تغییر نظر کاربر
نبود نوع معامله
ترکیب شرایط ضروری و ترجیحی
درخواست بدون نتیجه دقیق

مدیریت هزینه API در سامانه املاک

از مدل اقتصادی برای استخراج ساده استفاده کنید

تحلیل یک درخواست کوتاه معمولاً به قوی‌ترین مدل موجود نیاز ندارد.

خروجی را محدود کنید

برای جست‌وجو، JSON کوتاه از توضیح طولانی مفیدتر است.

مشخصات ملک را تکراری ارسال نکنید

اطلاعات ثابت باید در پایگاه داده نگهداری شوند و فقط رکوردهای مرتبط در اختیار مدل قرار گیرند.

جست‌وجو را با مدل انجام ندهید

مدل نباید تمام فایل‌های ملک را در هر درخواست بخواند. ابتدا فیلتر و بازیابی انجام دهید و فقط نتایج محدود را برای توضیح یا رتبه‌بندی تکمیلی ارسال کنید.

نتایج میانی را ذخیره کنید

Embedding، خلاصه فایل و توضیحات ثابت را تا زمان تغییر رکورد دوباره تولید نکنید.

مصرف هر قابلیت را جدا ثبت کنید

ممکن است تولید آگهی، چت‌بات و تحلیل تصویر هزینه و ارزش متفاوتی داشته باشند.

برای برآورد دقیق‌تر می‌توانید مقاله هزینه API هوش مصنوعی چگونه محاسبه می‌شود؟ را مطالعه کنید.

اشتباهات رایج استفاده از هوش مصنوعی در املاک

تولید ملک غیرواقعی

مدل نباید برای پاسخ‌گویی به کاربر، مشخصات یا آگهی جدید بسازد. نتایج باید فقط از پایگاه داده بیایند.

اعلام موجودبودن بدون استعلام

وضعیت فایل ممکن است تغییر کرده باشد. موجودبودن باید هنگام نمایش یا رزرو دوباره کنترل شود.

اشتباه در تومان و ریال

تبدیل واحد پول باید در برنامه اعتبارسنجی و در رابط کاربری به‌وضوح نمایش داده شود.

یکی‌دانستن ترجیح و الزام

«پارکینگ حتماً داشته باشد» با «ترجیحاً انباری داشته باشد» یکسان نیست.

قیمت‌گذاری با مدل زبانی عمومی

مدل زبانی بدون داده معتبر بازار نمی‌تواند قیمت قابل‌اتکایی تعیین کند.

انتشار مستقیم متن تولیدشده

توضیحات آگهی ممکن است شامل ویژگی حدس‌زده‌شده یا عبارت گمراه‌کننده باشد.

بررسی حقوقی اسناد با پاسخ قطعی مدل

استخراج و خلاصه‌سازی سند با تأیید اصالت یا ارائه نظر حقوقی تفاوت دارد.

تغییر تصاویر واقعی

ویرایش تصویر نباید عیب ملک یا ویژگی مهمی را پنهان کند.

ساخت پاسخ بدون اتصال به CRM

اگر چت‌بات به اطلاعات واقعی مشتری و ملک دسترسی کنترل‌شده نداشته باشد، ممکن است پاسخ‌های عمومی یا نادرست تولید کند.

مسیر پیشنهادی ساخت اولین محصول هوشمند املاک

مرحله اول: انتخاب کاربرد

جست‌وجوی زبان طبیعی یا تولید پیش‌نویس آگهی، نقطه شروع مناسبی است.

مرحله دوم: تعریف ساختار داده

فیلدها، واحد پول، انواع معامله و امکانات استاندارد را مشخص کنید.

مرحله سوم: آماده‌سازی نمونه‌ها

درخواست‌های واقعی فارسی را همراه با خروجی صحیح جمع‌آوری کنید.

مرحله چهارم: مقایسه مدل‌ها

مدل‌ها را از نظر کیفیت فارسی، دقت عددها، JSON معتبر، سرعت و هزینه مقایسه کنید.

مرحله پنجم: اتصال به پایگاه داده

مدل فقط فیلترها را استخراج کند و جست‌وجوی واقعی توسط Backend انجام شود.

مرحله ششم: اجرای محدود

قابلیت را برای گروه محدودی از کاربران یا مشاوران فعال و اصلاحات آن‌ها را ثبت کنید.

مرحله هفتم: افزودن قابلیت‌های مکمل

پس از اثبات عملکرد جست‌وجو، قابلیت‌هایی مانند پیشنهاد مشابه، خلاصه مشتری و رزرو بازدید را اضافه کنید.

آیا درواره برای ساخت نرم‌افزار هوشمند املاک مناسب است؟

API درواره دسترسی یکپارچه به مدل‌های مختلف هوش مصنوعی را با ساختار سازگار با OpenAI فراهم می‌کند.

شرکت‌های نرم‌افزاری و پلتفرم‌های املاک می‌توانند قابلیت‌هایی مانند موارد زیر را به محصول خود اضافه کنند:

جست‌وجوی ملک با زبان طبیعی
تولید توضیحات آگهی
تحلیل درخواست مشتری
ساخت چت‌بات املاک
خلاصه‌سازی مکالمات
استخراج اطلاعات
جست‌وجوی معنایی
تحلیل تصویر
تولید پیش‌نویس پیام
دستیار داخلی مشاوران

آدرس پایه API درواره:

https://api.darvareh.ir/v1

درواره نرم‌افزار مدیریت فایل، CRM املاک، سرویس نقشه یا مرجع اطلاعات مالکیت نیست. وظیفه آن فراهم‌کردن دسترسی به مدل‌های هوش مصنوعی است. داده‌های ملک، منطق جست‌وجو، وضعیت آگهی و فرایند معامله باید در نرم‌افزار شما مدیریت شوند.

برای شروع می‌توانید مستندات API درواره را مشاهده کنید.

پرسش‌های متداول

هوش مصنوعی در املاک چه کاربردی دارد؟

هوش مصنوعی در املاک برای تولید آگهی، تحلیل درخواست مشتری، جست‌وجوی ملک با زبان طبیعی، پاسخ‌گویی، پیشنهاد فایل مشابه، خلاصه‌سازی مکالمات و پردازش اسناد استفاده می‌شود.

چگونه از هوش مصنوعی برای مشاور املاک استفاده کنیم؟

می‌توانید ابتدا از کاربردهای کم‌ریسک مانند تولید پیش‌نویس آگهی، خلاصه‌سازی پیام‌ها و استخراج نیاز مشتری شروع کنید. برای اتصال مستقیم به CRM یا وب‌سایت به API و Backend نیاز دارید.

بهترین هوش مصنوعی برای نوشتن آگهی ملک چیست؟

بهترین مدل باید روی متن فارسی و اطلاعات واقعی فایل‌های شما آزمایش شود. رعایت مشخصات ورودی و تولیدنکردن ویژگی‌های جعلی از خلاقیت متن مهم‌تر است.

آیا هوش مصنوعی می‌تواند قیمت ملک را تعیین کند؟

مدل زبانی عمومی نباید به‌تنهایی قیمت ملک را تعیین کند. تخمین قیمت به داده‌های معتبر، به‌روز و محلی، مدل تخصصی و بررسی کارشناس نیاز دارد.

چت‌بات املاک چگونه به فایل‌های واقعی متصل می‌شود؟

چت‌بات از طریق Backend و ابزارهایی مانند Function Calling به پایگاه داده متصل می‌شود. مدل درخواست را تحلیل می‌کند و نرم‌افزار نتایج واقعی را برمی‌گرداند.

آیا هوش مصنوعی می‌تواند ملک مناسب پیشنهاد دهد؟

بله، اما پیشنهاد باید از میان فایل‌های واقعی و فعال انجام شود. فیلترهای قطعی، جست‌وجوی معنایی و ترجیحات کاربر می‌توانند در رتبه‌بندی نتایج استفاده شوند.

آیا می‌توان با هوش مصنوعی عکس ملک را ویرایش کرد؟

بله، اما ویرایش نباید وضعیت واقعی ملک را تحریف کند. تصاویر دارای چیدمان مجازی نیز بهتر است با برچسب مشخص نمایش داده شوند.

آیا هوش مصنوعی می‌تواند سند ملک را بررسی کند؟

مدل می‌تواند متن و فیلدهای سند را استخراج یا خلاصه کند، اما نمی‌تواند اصالت، مالکیت یا اعتبار حقوقی آن را قطعی تأیید کند.

آیا API درواره از زبان فارسی پشتیبانی می‌کند؟

کیفیت فارسی به مدل انتخاب‌شده بستگی دارد. با درواره می‌توانید مدل‌های مختلف را روی نمونه‌های واقعی فارسی مقایسه کنید.

آیا درواره با OpenAI SDK سازگار است؟

بله. در بسیاری از پروژه‌ها می‌توانید با تنظیم base_url، کلید API و شناسه مدل، از کتابخانه OpenAI استفاده کنید.

جمع‌بندی

هوش مصنوعی در املاک می‌تواند ارتباط میان زبان طبیعی کاربران و داده‌های ساختاریافته ملک را ساده‌تر کند. جست‌وجوی محاوره‌ای، تولید آگهی، تحلیل سرنخ، چت‌بات املاک و خلاصه‌سازی اطلاعات از مهم‌ترین کاربردهای آن هستند.

برای پیاده‌سازی موفق:

با یک کاربرد محدود و قابل‌اندازه‌گیری شروع کنید.
مشخصات ملک را از پایگاه داده معتبر دریافت کنید.
خروجی مدل را به شکل JSON اعتبارسنجی کنید.
میان ویژگی ضروری و ترجیحی تفاوت بگذارید.
تومان و ریال را در سمت سرور کنترل کنید.
موجودبودن فایل را پیش از نمایش و بازدید بررسی کنید.
موقعیت و فاصله را با سرویس مکانی محاسبه کنید.
قیمت‌گذاری را به مدل زبانی عمومی نسپارید.
متن و تصویر تولیدشده را پیش از انتشار بررسی کنید.
تصمیم‌های قراردادی و حقوقی را به متخصصان مربوط بسپارید.

اگر یک وب‌سایت املاک، CRM، اپلیکیشن اجاره یا سامانه مدیریت فایل توسعه می‌دهید، می‌توانید با API درواره قابلیت جست‌وجوی هوشمند، تولید آگهی و دستیار مشاور املاک را به محصول خود اضافه کنید.

مقالات مرتبط

منابع

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، مستندات رسمی سرویس‌ها و صفحه سلب مسئولیت را مطالعه کنید.