Kujutage ette, et Phuketi kinnisvaraportaal näitab teile mudelit, mis väidab end ennustavat korteri hinda 90% täpsusega. Kõlab veenvalt, kuni saate teada, et sama mudel testiti ainult andmetel, mida ta juba "nägi" treeningu käigus. Kui sama süsteemi paluti ennustada tulevikku, langes täpsus 60-70% peale või veel madalamale. Just sellest räägib 2026. aasta juunis avaldatud TU Wieni teadlaste uuring, mis peaks panema iga Tais kinnisvarasse investeerivat eestlast oma AI-tööriistu kriitilisemalt hindama.
Probleem ei peitu algoritmides endis, vaid selles, kuidas neid testitakse. Ja see pole ainult akadeemiline nüanss, sest Tai kinnisvarasse raha paigutavale investorile on sel otsene rahaline mõju.
Mida uuring täpselt näitas?
AGILE-GISS uuring (juuni 2026) tõestas, et kinnisvara hinnaprognoosi mudelid näitavad süstemaatiliselt üle oma tegelikku täpsust, kuna neid valideeritakse valesti ajalises mõttes. Uuringu tegid Christopher Kmen, Gerhard Navratil ja Ioannis Giannopoulos TU Wienist ning artikkel "When Today's Accuracy Fails Tomorrow" ilmus eelretsenseeritud ajakirjas AGILE-GISS, 7. köide.
Keskne leid: nn ruumiliselt-ajalised mudelid (spatiotemporal models) kannatavad ajalise valideerimise nihke all, tehniliselt öeldes mudel justkui "piilub" tulevikuandmeid juba treeningfaasis, mistõttu tema testitulemused on kunstlikult ilusad.
Miks näib mudel treeningul 90% täpne, aga reaalses elus mitte?
Suures osas seetõttu, et enamik mudeleid testitakse lühikeste ajaperioodide peal, tavaliselt 1-6 kuud. Sellises ajaaknas näib täpsus kõrge. Kuid kui prognoosihorisont pikeneb 2-5 aastale, hakkavad kuhjuma tegurid, mida mudel treeningu ajal ei näinud, regulatiivsed muutused, makromajanduslikud šokid, nõudluse nihked, ja viga kasvab lumepallina.
Millised AI-mudelid töötavad kõige paremini?
| Mudel/lähenemine | Tulemus uuringus |
|---|---|
| XGBoost | Parim tulemus testitud lähenemiste seas |
| Ensemble-mudelid | Samuti tugevad tulemused |
| Muud spatiotemporal-mudelid | Vajavad rangelt out-of-sample testimist |
Oluline on rõhutada: isegi XGBoost ja ensemble-mudelid, mis andsid uuringus parima tulemuse, jäävad ebausaldusväärseks, kui neid ei testita tulevikuandmete peal (out-of-sample testimine).
Miks on see Tai turul teravam probleem kui Euroopas?
Kvaliteetsete tehinguandmete nappus on takistuseks üleüldiselt, kuid Tais on see probleem terav põhjusel, et tehinguregistrid on tunduvalt vähem läbipaistvad kui Euroopas. Eesti ostja on harjunud, et kinnistusraamatust saab kiiresti ja usaldusväärselt tehinguhindu vaadata, Tais sellist mugavust ei ole ning AI-mudel saab olla ainult nii hea kui talle söödetud andmed.
Samas kasutavad suured arendajad Bangkokis ja Phuketis juba AI-tööriistu hinnastamisel, kuid ükski neist ei tugine lõplike otsuste tegemisel ainult masinõppe mudelitele.
Mida see tähendab investorile ja tööturule laiemalt?
- aasta juulis avaldatud Goldman Sachsi uurimismärkuse kohaselt AI ei kaota kinnisvaraturul töökohti, vaid kujundab neid ümber. Agendid ja investorid, kes on võtnud kasutusele AI-tööriistad, teenivad keskmiselt rohkem kui need, kes toetuvad vanadele meetoditele.
Konkreetne näide Phuketist: ajavahemikus detsember 2025 kuni mai 2026 registreeriti saarel 54 628 reaalset päringut, millest 71% puudutas üürimist ja 29% ostmist. See näitab, kuidas AI-põhine nõudlusanalüüs kujundab juba praegu otsuseid piirkonna kõige küpsemal turul.
Praktiline samm-sammuline plaan Tai kinnisvarasse investeerijale
Kui plaanite 2026. aastal AI-tööriistu Tai kinnisvara hindamiseks kasutada, tasub liikuda järgmises järjekorras.
1. Määratlege, mis tüüpi AI-analüüsi te tegelikult vajate. Eristada tuleb kolme taset: turu skriining (paljutõotavate piirkondade leidmine), üksiku objekti hindamine (võrreldavate tehingute analüüs) ja tootluse prognoosimine. Esimese kahe puhul toimib AI juba hästi, kolmandaga on siiani kitsaskohti.
2. Kontrollige tulemust avatud andmete vastu. Platvormid nagu DDproperty ja Hipflat avaldavad linnaosade tasandil hinnaindekseid. Võrrelge, mida AI-mudel väidab, tegeliku hinnaliikumisega viimase 3 aasta jooksul. Kui erinevus ületab 15%, ärge mudelit usaldage.
3. Nõudke out-of-sample valideerimist. 2026. aasta AGILE-GISS uuring ütleb otse: mudel, mida on testitud ainult ajaloolistel andmetel (in-sample), ei vääri teie usaldust. Küsige igalt AI-prognoosi pakkujalt, kas mudelit testiti andmetel, mida ta treeningu käigus kunagi ei näinud.
4. Koguge andmeid oma sihtpiirkonna kohta eraldi. AI-mudelid töötavad paremini hästi dokumenteeritud piirkondades. Phuketis (Bang Tao, Laguna), Bangkokis (Sukhumvit, Silom) ja Pattayas (Wongamat) on andmeid piisavalt. Vähem kaardistatud piirkondades nagu Krabi või Koh Samui on mudelite täpsus tunduvalt madalam.
5. Broneerige oma vaatlusreisi lennud varakult. Kinnisvara isiklik ülevaatus jääb asendamatuks. AI näitab teile numbreid, kuid ei kirjelda ehituskvaliteeti, tegelikke infrastruktuuritingimusi ega naabruskonna atmosfääri.
6. Kaasake lõplikuks due diligence'iks kohalik ekspert. AI on esimese taseme filter, mis vähendab 200 valikuvõimalust kümneni. Lõplik otsus jääb siiski inimese kanda, kellel on ülevaade kohalikust seadusandlusest, arendaja mainest ja projektispetsiifilistest nüanssidest.
7. Uuendage oma andmeid iga 3-6 kuu tagant. Tai turg liigub kiiresti. Mudel, mis on treenitud 2025. aasta alguse andmetel, võib jätta tähelepanuta uued infrastruktuuriprojektid, näiteks BTS-liini pikendused Bangkokis, või viisapoliitika muutused.
Kokkuvõtteks
- aasta AGILE-GISS uuringu põhisõnum on lihtne: kinnisvaras on AI võimas analüüsivahend, kuid kehv tuleviku ennustaja. Kasutage seda selleks, milleks ta hea on, suurte andmehulkade töötlemiseks ja mustrite leidmiseks, aga strateegilised otsused tehke eksperdianalüüsi, kohaliku turu tundmise ja tervele mõistuse põhjal. Kinnisvara Tais meeskonnana näeme igapäevaselt, kuidas AI-analüüs ja kohalik inimlik ekspertiis koos annavad parima tulemuse, üksi ei toimi kumbki eriti hästi.
Allikas: Thaiger