Creando con Milvus: Proptech con IA para una búsqueda inmobiliaria personalizada
La inteligencia artificial (IA) tiene aplicaciones poderosas en el sector inmobiliario que están transformando el proceso de búsqueda de vivienda. Los profesionales inmobiliarios con conocimientos tecnológicos han estado aprovechando la IA durante años, reconociendo su capacidad para ayudar a los clientes a encontrar la vivienda adecuada más rápido y simplificar el proceso de compra de propiedades. La pandemia de coronavirus ha acelerado el interés, la adopción y la inversión en tecnología inmobiliaria (o proptech) en todo el mundo, lo que sugiere que desempeñará un papel cada vez más importante en la industria inmobiliaria en el futuro.
Este artículo explora cómo Beike utilizó la búsqueda por similitud vectorial para crear una plataforma de búsqueda de viviendas que proporciona resultados personalizados y recomienda anuncios casi en tiempo real.
Ir a:
¿Qué es la búsqueda por similitud vectorial?
La búsqueda por similitud vectorial tiene aplicaciones que abarcan una amplia variedad de escenarios de inteligencia artificial, aprendizaje profundo y cálculo vectorial tradicional. La proliferación de la tecnología de IA se atribuye en parte a la búsqueda vectorial y a su capacidad para dar sentido a datos no estructurados, que incluyen cosas como imágenes, video, audio, datos de comportamiento, documentos y mucho más.
Los datos no estructurados representan un 80-90% estimado de todos los datos, y extraer información de ellos se está convirtiendo rápidamente en un requisito para las empresas que desean seguir siendo competitivas en un mundo en constante cambio. La creciente demanda de análisis de datos no estructurados, el aumento de la potencia de cómputo y la disminución de los costos de cómputo han hecho que la búsqueda vectorial habilitada por IA sea más accesible que nunca.
Comprender la diferencia entre datos estructurados y no estructurados.
Tradicionalmente, los datos no estructurados han sido un desafío para procesar y analizar a escala porque no siguen un modelo predefinido ni una estructura organizativa. Las redes neuronales (p. ej., CNN, RNN y BERT) hacen posible convertir datos no estructurados en vectores de características, un formato de datos numérico que las computadoras pueden interpretar fácilmente. Luego se utilizan algoritmos para calcular la similitud entre vectores usando métricas como la similitud del coseno o la distancia euclidiana.
En última instancia, la búsqueda por similitud vectorial es un término amplio que describe técnicas para identificar cosas similares en conjuntos de datos masivos. Beike utiliza esta tecnología para impulsar un motor de búsqueda de viviendas inteligente que recomienda automáticamente anuncios según las preferencias individuales del usuario, el historial de búsqueda y los criterios de la propiedad, acelerando el proceso de búsqueda y compra inmobiliaria. Milvus es una base de datos vectorial de código abierto que conecta información con algoritmos, lo que permite a Beike desarrollar y gestionar su plataforma inmobiliaria de IA.
¿Cómo gestiona Milvus los datos vectoriales?
Milvus fue creado específicamente para la gestión de datos vectoriales a gran escala, y tiene aplicaciones que abarcan la búsqueda de imágenes y videos, el análisis de similitud química, los sistemas de recomendación personalizados, la IA conversacional y mucho más. Los conjuntos de datos vectoriales almacenados en Milvus se pueden consultar de manera eficiente, y la mayoría de las implementaciones siguen este proceso general:
¿Cómo gestiona Milvus los datos vectoriales?
¿Cómo utiliza Beike Milvus para hacer que la búsqueda de vivienda sea más inteligente?
Comúnmente descrita como la respuesta de China a Zillow, Beike es una plataforma en línea que permite a los agentes inmobiliarios publicar propiedades en alquiler o venta. Para ayudar a mejorar la experiencia de búsqueda de vivienda para quienes buscan casa, y para ayudar a los agentes a cerrar tratos más rápido, la empresa creó un motor de búsqueda impulsado por IA para su base de datos de anuncios. La base de datos de anuncios inmobiliarios de Beike se convirtió en vectores de características y luego se introdujo en Milvus para su indexación y almacenamiento. Luego, Milvus se utiliza para realizar búsquedas de similitud basadas en un anuncio de entrada, criterios de búsqueda, perfil de usuario u otros criterios.
Por ejemplo, al buscar más viviendas similares a un anuncio determinado, se extraen características como la distribución, el tamaño, la orientación, los acabados interiores, los colores de pintura y más. Dado que la base de datos original de datos de anuncios de propiedades ha sido indexada, las búsquedas pueden realizarse en apenas milisegundos. El producto final de Beike tuvo un tiempo promedio de consulta de 113 milisegundos en un conjunto de datos que contenía más de 3 millones de vectores. Sin embargo, Milvus es capaz de mantener velocidades eficientes en conjuntos de datos a escala de billones, haciendo que esta base de datos inmobiliaria relativamente pequeña sea una tarea sencilla. En general, el sistema sigue el siguiente proceso:
Los modelos de aprendizaje profundo (por ejemplo, CNN, RNN o BERT) convierten datos no estructurados en vectores de características, que luego se importan a Milvus.
Milvus almacena e indexa los vectores de características.
Milvus devuelve resultados de búsqueda de similitud basados en las consultas de los usuarios.
Una visión general de Milvus.
La plataforma inteligente de búsqueda inmobiliaria de Beike está impulsada por un algoritmo de recomendación que calcula la similitud vectorial utilizando la distancia coseno. El sistema encuentra viviendas similares basándose en anuncios favoritos y criterios de búsqueda. A alto nivel, funciona de la siguiente manera:
Basándose en un anuncio de entrada, se utilizan características como la distribución, el tamaño y la orientación para extraer 4 colecciones de vectores de características.
Las colecciones de características extraídas se utilizan para realizar búsquedas de similitud en Milvus. Los resultados de la consulta para cada colección de vectores son una medida de similitud entre el anuncio de entrada y otros anuncios similares.
Los resultados de búsqueda de cada una de las 4 colecciones de vectores se comparan y luego se utilizan para recomendar viviendas similares.
Una visión general de la plataforma inteligente de búsqueda de vivienda de Beike.
Como muestra la figura anterior, el sistema implementa un mecanismo de cambio de tablas A/B para actualizar los datos. Milvus almacena los datos de los primeros T días en la tabla A, el día T+1 comienza a almacenar datos en la tabla B, el día 2T+1 comienza a reescribir la tabla A, y así sucesivamente.
Para obtener más información sobre cómo crear cosas con Milvus, consulta los siguientes recursos:
Sigue leyendo
3 Easiest Ways to Use Claude Code on Your Mobile Phone
Run Claude Code from your phone with Remote Control, Happy Coder, or SSH + Tailscale. Comparison table, setup steps, and tools for typing, memory, and parallel tasks.
How Zilliz Saw the Future of Vector Databases—and Built for Production
An inside look at how Zilliz built vector databases for real-world use, focusing on scalability, stability, and running them reliably at scale.
Data Deduplication at Trillion Scale: How to Solve the Biggest Bottleneck of LLM Training
Explore how MinHash LSH and Milvus handle data deduplication at the trillion-scale level, solving key bottlenecks in LLM training for improved AI model performance.