数据分析公司IDC称,到2028年全球AI市场规模将超过6300亿美元。其中部分增长,就来自这家总部位于新泽西州的房地产服务公司。Anywhere Real Estate正运用AI技术以提供更高效、更智能的房产交易服务。
Gartner公司将AI描述为“创新灯塔”,各行各业的公司都在利用它来节约资金并提高生产力。当然,这并不意味着AI已经全知全能、可靠无忧。Anywhere Real Estate公司CTO Rudy Wolfs提醒道,“虽然没人能够否认AI技术的潜力和前景,但我们也必须意识到这项技术目前还不成熟。我投入了很多精力来调整技术团队对于AI的看法,确保他们既了解AI的优势所在、哪些方面仍须发展,也清楚AI能做什么、做不到什么,甚至说在哪些方面令人感到失望。”
之所以把“丑话说在前面”,就是因为他不希望用户和企业领导者在尝试AI技术并发现无法获得预期结果后,快速对这股新兴浪潮失去信心。在Wolfs看来,最重要的是设定正确的期望,以最能展示其潜力的方式加以应用,并让用户们相信它能够实现目标。而这正是Wolfs和他的团队在Anywhere Real Estate的Listing Concierge产品及其潜在客户评分工作当中的指导方针。
用AI使房源更优质
根据Wolfs的介绍,Anywhere Real Estate的Listing Concierge产品为中介服务商提供一套高度直观的工具,用以快速推广房源。其目标是让买家、卖家和中介服务商都能无缝体验相关房产。他解释称,“我们拥有成千上万的中介服务商,手中掌握着成千上万的房源。所以任何有助于加快房源信息整理和发布过程的工具,对他们来说都是一个巨大的胜利。”
Listing Concierge能够根据拍摄的房产照片撰写初始房源描述,并自动标记特定房间的图像,向买家介绍他们当前看到的是什么。“根据所发布房源的具体位置,可能会设置不同的字符数限制。Listing Concierge会自动调整关于房产的描述长度,这样卖家就能保证介绍文本既牢牢抓住当前房产的本质,以无需坐下来重写任何介绍内容。”
这套生成式AI解决方案仍然需要训练,以确保所有工作都能以负责任且合乎道德的方式完成。虽然Wolfs承认这在以前也不算太大的问题,但如今中介服务商们已完成不必为这些情况而分神。
感同身受
Anywhere Real Estate还部署了生成式AI引擎为潜在客户提供支持。该引擎会分析客户发布的信息,然后将潜在客户分配给最佳中介服务商。Wolfs解释称,作为全国最大的消费级房产企业,以往他们根本无法处理这么多潜在客户。“过去,我们只能根据自己的判断将客源分配给中介服务商,包括哪家服务商最适合特定的潜在客户、谁最可能在特定片区达成交易。”而潜在客户的评分引擎则能真正将合适的客源交付给合适的服务商。“这对消费者来说也是件好事,因为他们获得了能够切实满足购房需求的服务商;服务商这边也同样得利,因为他们能够与最适合自己的商业机会相匹配。”虽然之前也能同样做出分配,但却无法从成功和失败案例中总结出任何经验。“通过应用AI技术,我们可以更好地理解消费者的反馈和分配效果,从而识别出我们以往可能错失的重要模式。”
举例来说,使用AI技术,我们可以分析客户使用的单词或者短语类型,以了解他们的紧迫程度:比如是想在几周、几个月还是几年内售出房屋。如果卖家希望尽快找到买家,那么这种紧迫程度也能被清晰传递给中介服务商,再由他们据此制定潜在客户的接触策略。
Wolfs解释道,在开展这类项目时,往往很难预判哪种模型或者哪家技术供应商更合适。正因为如此,他和他的团队才建立起所谓“线束”体系,能够接入各种AI模型并轻松在不同模型之间往来切换。这样他们就永远不会被锁定在任何特定模型身上。“这个非常轻薄的技术层,可能是我们在架构领域做过的最出色的探索之一,允许我们快速尝试某套模型,并在发现另一家供应商有更合适的方案时灵活替换。”
这对Anywhere Real Estate的两大项目至关重要。除了防止人们在AI未能如预期般起效时失去信心之外,尽早建立这种流水线式的AI更替体系也非常重要,能够引导人们更信任数据和模型给出的结果。Wolfs最后又重申了迭代方法的巨大价值,即通过定期开展小规模测试来确定技术方案哪里好、哪里差,以及是否有机会在其他场景下加以应用。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
香港大学研究团队提出LightReasoner框架,通过让小型"业余"模型与大型"专家"模型对比,识别关键推理步骤并转化为训练信号。该方法在数学推理任务上实现28.1%性能提升,同时将训练时间、样本需求和词元使用量分别减少90%、80%和99%,完全无需人工标注。研究颠覆了传统训练思路,证明通过模型间行为差异可以实现高效的自监督学习,为资源受限环境下的AI能力提升提供了新路径。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
马里兰大学研究团队开发了MONKEY适配器,一种无需额外训练的AI绘画控制技术。该方法通过"两步走"策略解决了个性化AI绘画中主体保真与背景控制难以兼得的问题:先让AI识别主体区域生成"透明胶片",再在第二次生成中让主体区域听从参考图片、背景区域听从文字描述。实验证明该方法在保持主体特征和响应文字要求两方面均表现出色,为AI绘画的精细化控制提供了新思路。