Créer avec Milvus : la proptech infusée à l’IA pour une recherche immobilière personnalisée
L’intelligence artificielle (IA) a de puissantes applications dans l’immobilier qui transforment le processus de recherche de logement. Les professionnels de l’immobilier férus de technologie tirent parti de l’IA depuis des années, reconnaissant sa capacité à aider les clients à trouver plus rapidement le bon logement et à simplifier le processus d’achat d’un bien immobilier. La pandémie de coronavirus a accéléré l’intérêt, l’adoption et l’investissement dans les technologies immobilières (ou proptech) dans le monde entier, ce qui suggère qu’elles joueront un rôle de plus en plus important dans le secteur immobilier à l’avenir.
Cet article explore comment Beike a utilisé la recherche de similarité vectorielle pour créer une plateforme de recherche de logements qui fournit des résultats personnalisés et recommande des annonces en quasi temps réel.
Aller à :
Qu’est-ce que la recherche de similarité vectorielle ?
La recherche de similarité vectorielle a des applications couvrant une grande variété de scénarios d’intelligence artificielle, d’apprentissage profond et de calcul vectoriel traditionnel. La prolifération de la technologie de l’IA est en partie attribuée à la recherche vectorielle et à sa capacité à donner du sens aux données non structurées, qui incluent des éléments tels que les images, la vidéo, l’audio, les données comportementales, les documents, et bien plus encore.
Les données non structurées représentent environ 80 à 90 % de toutes les données, et en extraire des informations devient rapidement une exigence pour les entreprises qui veulent rester compétitives dans un monde en constante évolution. La demande croissante d’analyse de données non structurées, l’augmentation de la puissance de calcul et la baisse des coûts de calcul ont rendu la recherche vectorielle activée par l’IA plus accessible que jamais.
Comprendre la différence entre les données structurées et non structurées.
Traditionnellement, les données non structurées ont été difficiles à traiter et à analyser à grande échelle parce qu’elles ne suivent pas un modèle prédéfini ni une structure organisationnelle. Les réseaux neuronaux (par exemple, CNN, RNN et BERT) permettent de convertir les données non structurées en vecteurs de caractéristiques, un format de données numériques qui peut être facilement interprété par les ordinateurs. Des algorithmes sont ensuite utilisés pour calculer la similarité entre les vecteurs à l’aide de métriques comme la similarité cosinus ou la distance euclidienne.
En fin de compte, la recherche de similarité vectorielle est un terme général qui décrit des techniques permettant d’identifier des éléments similaires dans d’immenses ensembles de données. Beike utilise cette technologie pour alimenter un moteur de recherche de logements intelligent qui recommande automatiquement des annonces en fonction des préférences individuelles des utilisateurs, de l’historique de recherche et des critères de propriété — accélérant ainsi le processus de recherche et d’achat immobilier. Milvus est une base de données vectorielle open source qui relie l’information aux algorithmes, permettant à Beike de développer et de gérer sa plateforme immobilière d’IA.
Comment Milvus gère-t-il les données vectorielles ?
Milvus a été conçu spécifiquement pour la gestion de données vectorielles à grande échelle, et ses applications couvrent la recherche d’images et de vidéos, l’analyse de similarité chimique, les systèmes de recommandation personnalisés, l’IA conversationnelle, et bien plus encore. Les ensembles de données vectorielles stockés dans Milvus peuvent être interrogés efficacement, la plupart des implémentations suivant ce processus général :
Comment Milvus gère-t-il les données vectorielles ?
Comment Beike utilise-t-il Milvus pour rendre la recherche de logement plus intelligente ?
Couramment décrit comme la réponse chinoise à Zillow, Beike est une plateforme en ligne qui permet aux agents immobiliers de publier des biens à louer ou à vendre. Pour améliorer l’expérience de recherche de logement des personnes en quête d’un bien, et aider les agents à conclure des transactions plus rapidement, l’entreprise a construit un moteur de recherche alimenté par l’IA pour sa base de données d’annonces. La base de données d’annonces immobilières de Beike a été convertie en vecteurs de caractéristiques, puis transmise à Milvus pour l’indexation et le stockage. Milvus est ensuite utilisé pour effectuer une recherche de similarité basée sur une annonce en entrée, des critères de recherche, un profil utilisateur ou d’autres critères.
Par exemple, lors de la recherche de logements similaires à une annonce donnée, des caractéristiques telles que le plan d’étage, la superficie, l’orientation, les finitions intérieures, les couleurs de peinture et bien d’autres sont extraites. Comme la base de données originale des annonces immobilières a été indexée, les recherches peuvent être effectuées en quelques millisecondes seulement. Le produit final de Beike affichait un temps de requête moyen de 113 millisecondes sur un jeu de données contenant plus de 3 millions de vecteurs. Cependant, Milvus est capable de maintenir des vitesses efficaces sur des jeux de données à l’échelle du billion, rendant cette base de données immobilière relativement petite facile à traiter. En général, le système suit le processus suivant :
Des modèles d’apprentissage profond (par exemple, CNN, RNN ou BERT) convertissent les données non structurées en vecteurs de caractéristiques, qui sont ensuite importés dans Milvus.
Milvus stocke et indexe les vecteurs de caractéristiques.
Milvus renvoie des résultats de recherche de similarité basés sur les requêtes des utilisateurs.
Un aperçu de Milvus.
La plateforme intelligente de recherche immobilière de Beike est alimentée par un algorithme de recommandation qui calcule la similarité vectorielle à l’aide de la distance cosinus. Le système trouve des logements similaires à partir des annonces favorites et des critères de recherche. À un niveau général, il fonctionne comme suit :
À partir d’une annonce en entrée, des caractéristiques telles que le plan d’étage, la superficie et l’orientation sont utilisées pour extraire 4 collections de vecteurs de caractéristiques.
Les collections de caractéristiques extraites sont utilisées pour effectuer une recherche de similarité dans Milvus. Les résultats de la requête pour chaque collection de vecteurs constituent une mesure de la similarité entre l’annonce en entrée et d’autres annonces similaires.
Les résultats de recherche de chacune des 4 collections de vecteurs sont comparés, puis utilisés pour recommander des logements similaires.
Un aperçu de la plateforme intelligente de recherche de logement de Beike.
Comme le montre la figure ci-dessus, le système met en œuvre un mécanisme de basculement de tables A/B pour la mise à jour des données. Milvus stocke les données des T premiers jours dans la table A, le jour T+1 il commence à stocker les données dans la table B, le jour 2T+1, il commence à réécrire la table A, et ainsi de suite.
Pour en savoir plus sur la création de solutions avec Milvus, consultez les ressources suivantes :
Continuer à lire
What Is a Vector Lakebase?
A Vector Lakebase is a unified, lake-native data architecture for AI that combines vector-database-grade serving with open lake storage, reusable lake-level indexes, and a shared semantic layer.
How to Choose the Best Embedding Model for RAG in 2026: 10 Models Benchmarked
We benchmarked 10 embedding models on cross-modal, cross-lingual, long-document, and dimension compression tasks. See which one fits your RAG pipeline.
Zilliz Cloud Now Available in AWS Europe (Ireland)
Zilliz Cloud launches in AWS eu-west-1 (Ireland) — bringing low-latency vector search, EU data residency, and full GDPR-ready infrastructure to European AI teams. Now live across 30 regions on five cloud providers.