Invisor
Invisor busca y analiza inmuebles según el presupuesto, la zona y la estrategia del inversor.
Mi trabajo
Desarrollo el producto y su backend. Usé Jev para etiquetar 50.000 inmuebles de la base de datos y preparar un dataset con sus características para CatBoost. Entreno y evalúo modelos de valoración, comparo sus predicciones con LLMs y sirvo el análisis de fotos con DINOv2 y ONNX.
Separo la extracción de hechos del cálculo y de la explicación. Evalúo los modelos con inmuebles y mercados fuera del entrenamiento, y los comparo con métodos sencillos antes de asumir que más complejidad mejora el resultado.
En las pruebas de valoración comparo las estimaciones con precios de anuncios. Todavía no tengo una validación con precios de compraventas cerradas.
Cómo está hecho Invisor
- Entrenamiento y evaluación
- Usé Jev para etiquetar 50.000 inmuebles de la base de datos. Con ese dataset entreno modelos de CatBoost que comparan las características de los inmuebles para estimar su valor. He probado atributos del anuncio, información visual y datos de zona; comparo las predicciones con medianas y otros cálculos sencillos. Las pruebas separan inmuebles y mercados del entrenamiento, controlan anuncios repetidos y revisan tanto el error típico como los errores grandes.
- Añadir variables no mejoró siempre el resultado. Esa comparación determina qué información merece entrar en el modelo. Las pruebas usan precios anunciados; la investigación de valoración no equivale a validar precios de cierre.
- Visión e inferencia
- Sirvo un modelo basado en DINOv2 con ONNX en CPU para clasificar fotos por estancia y estado. La selección posterior combina relevancia y cobertura de estancias: cocina y baño aportan información distinta de una fachada. Filtra imágenes sintéticas antes del análisis de reforma.
- El servicio de visión está separado del agente. La inferencia corre fuera del event loop y las imágenes se procesan sin mantener todas las originales en memoria.
- Datos, cálculo y generación
- El LLM ayuda a extraer hechos de anuncios y a explicar resultados. La valoración se evalúa aparte, con datos estructurados y modelos numéricos. Mantener esas partes separadas permite cambiar el modelo o la explicación sin confundir una respuesta convincente con una estimación comprobada.