Zaktualizowano:
DealWizard.ai: produkt GenAI od koncepcji do produkcji
Podsumowanie
Platforma GenAI, która zamienia ogłoszenie nieruchomości w uporządkowaną analizę inwestycyjną: ocenę układu, porównania z okolicy, plan remontu, ryzyka i zwroty dla wybranej strategii.
Kluczowe liczby
- Szacunkowo z 6 do 8 godzin do około 3 minutna analizę
- 99.97%dostępności na produkcji
- 3strategie (Buy-to-Let, Flip, HMO)
Kontekst
Inwestorzy w nieruchomości analizują każdą okazję ręcznie: szczegóły ogłoszenia, porównania z okolicy, wielkość i układ pomieszczeń, koszty remontu i prognozy finansowe. To trwa długo i daje niespójne wyniki. Pomysł polegał na tym, żeby cały ten proces zamknąć w jednym prowadzonym przepływie, z raportem, który inwestor może sprawdzić.
Wyzwanie
Zbudować system AI, którego analizę ludzie mogą zweryfikować. Oznaczało to trzy rzeczy naraz: wyniki oparte na prawdziwych danych, a nie na pamięci modelu, koszt jednej analizy, który ma sens w małym produkcie, i niezawodność wystarczającą do codziennego użytku.
Punkt wyjścia
Ręczna analiza, która doświadczonej osobie zajmowała szacunkowo sześć do ośmiu godzin na jedną okazję.
Moja rola
Współzałożyłem firmę z Maciejem Brzkiem i dzieliłem z nim przywództwo produktowe: pomysł, roadmapa i priorytety były nasze. Jako architekt systemu i lider technologii AI zaprojektowałem architekturę AI, sam zbudowałem aplikację i jej automatyzacje w narzędziach low-code oraz odpowiadałem za dostarczanie, jakość i koszt działania.
Co zrobiłem
Zacznij od procesu i wyniku, nie od modelu.
Najpierw zdefiniowałem przepływ (ogłoszenie, strategia, uporządkowany raport) i wynik, którego potrzebuje inwestor. Dopiero potem wybrałem, gdzie pomaga AI, a gdzie lepsza jest logika deterministyczna.
Oprzyj model na prawdziwych danych i kupuj to, czego nie warto budować.
Wyniki modelu opierają się na wielu zewnętrznych źródłach danych dostępnych przez API, właśnie po to, żeby ograniczyć ryzyko halucynacji. Do zbierania danych użyliśmy dostawcy scrapingu zamiast budować własne rozwiązanie: szybko i tanio.
Projektuj pod spójność i koszt.
Architektura RAG i CAG, wybór modeli i routing (proste zadania trafiają do tańszych i szybszych modeli), cache stabilnych treści i kontrola długości promptu i kontekstu.
Zbuduj siatkę bezpieczeństwa.
Ewaluacja i walidacja odpowiedzi, obserwowalność produkcji, pętle informacji zwrotnej i cel dostępności. Platforma działała na produkcji z dostępnością 99.97%.
Używaj low-code tam, gdzie liczy się czas.
Pierwsza wersja powstała w Bubble.io, z n8n do przepływów i Firebase na dane. Dzięki temu mały zespół mógł szybko dostarczać i poprawiać produkt.
Co działa dziś
- Działający publiczny produkt pod adresem dealwizard.ai.
- Prowadzony przepływ od ogłoszenia do raportu dla strategii Buy-to-Let, Flip i HMO.
- Ocena układu i pomieszczeń, porównania z okolicy, plan remontu, uwagi o ryzykach i wskaźniki zwrotu.
- Opublikowana przykładowa analiza.
- Monitoring produkcji, ewaluacja i pętle informacji zwrotnej.
Wynik i dowody
| Miara | Wartość | Podstawa | Zakres |
|---|---|---|---|
| Czas analizy | Szacunkowo z 6 do 8 godzin do około 3 minut | Mój szacunek typowej ręcznej analizy w porównaniu z typowym automatycznym raportem | Szacunek, nie pomiar |
| Dostępność | 99.97% | Platforma produkcyjna | W okresie działania |
| Obsługiwane strategie | Buy-to-Let, Flip, HMO | Zakres produktu | Publicznie na dealwizard.ai |
Czego liczby nie pokazują
Oba czasy to szacunki, nie pomiary: sześć do ośmiu godzin to mój szacunek typowej ręcznej analizy, a około trzech minut to typowe automatyczne przejście. To nie jest kontrolowane badanie, a sama szybkość nie mówi nic o jakości. Dostępność dotyczy platformy produkcyjnej w okresie jej działania. Nie twierdzę nic o wynikach komercyjnych: produkt jest publiczną betą z pierwszymi użytkownikami. Ocena układu i budżety w raporcie są szacunkami, a raport pokazuje, na czym się opierają.
Wnioski
Na podstawie wniosków, którymi dzieliłem się publicznie na LinkedIn.
- Nie przekazuj plików agentowi AI jako base64 w prompcie. To powiększa żądanie, zapełnia okno kontekstu i przy każdym wywołaniu jest liczone jako tokeny wejściowe. Wgraj plik raz przez files API i przekazuj odwołanie.
- Optymalizuj prompty pod cache. Stabilne treści, takie jak prompty systemowe i dane referencyjne, nie powinny być przy każdym wywołaniu liczone jako nowe tokeny.
- Wybór modelu to decyzja, nie ustawienie domyślne. Porównuj tańsze modele pod kątem kosztu i jakości dla każdego zadania.
- Walidacja nie zawsze wymaga człowieka. Drugi agent może sprawdzić spójność wyniku pierwszego za ułamek kosztu ludzkiego przeglądu, przy każdej akcji, której skutki da się cofnąć.
- Śledź zużycie tokenów i wydatki na dashboardzie, bo inaczej przekroczenia zobaczysz dopiero na fakturze.
Zapisz się na newsletter
Od czasu do czasu mail o mojej pracy, na przykład o nowych studiach przypadków i artykułach.
Sprawdź skrzynkę
Wysłałem link do potwierdzenia adresu. Nic nie zapisuję, dopóki nie potwierdzisz. Link działa 7 dni.
Budujesz albo skalujesz produkt AI?
Opisz, co ma osiągnąć i jak dziś oceniasz jego jakość.