Rete neurale, validazione statistica e metriche
In questa pagina descriviamo il modello di Intelligenza Artificiale utilizzato come parte integrante del Processo di Stima LoveImmobiliare. Si tratta di un modello basato su rete neurale allenato su transazioni reali dell’Altopiano di Asiago. L’obiettivo è semplice: data una descrizione strutturata dell’immobile, il modello produce una stima del prezzo, tipicamente in €/m², e quando serve convertita anche in valore complessivo.
Il punto che ci differenzia è la trasparenza, oltre che l’efficacia: qui trovi procedura, architettura, validazione e risultati numerici. Il modello è stato sviluppato dal Dott. Riccardo Donati, fondatore di Redexe Risk & Finance e co-fondatore di LoveImmobiliare, assieme al Prof. Marco Corazza di Ca’ Foscari Università di Venezia.
Che cosa “vede” il modello: dati in ingresso
Una rete neurale non lavora con frasi o opinioni: lavora con variabili numeriche (feature). Noi trasformiamo la descrizione di un immobile in un vettore di input che include:
- variabili oggettive (es. anno di costruzione, piano, classe energetica, tipologia, presenza garage, ecc.)
- variabili qualitative rese numeriche tramite una griglia di punteggi (es. panorama, terrazze, contesto, esposizione, qualità infissi, ecc.).
Perché ricorrere ai punteggi? Perché molti aspetti importanti non sono “misurabili” con una sola unità fisica. Il punteggio serve a rendere confrontabili fattori qualitativi in modo coerente e ripetibile (sempre lo stesso criterio → stesso numero).
Normalizzazione e dati mancanti
Prima del training (addestramento) applichiamo una preparazione standard dei dati:
- conversione delle categorie in valori numerici coerenti;
- gestione dei campi mancanti (missing): o con valore neutro, o con codifica “non disponibile”, a seconda del campo;
- scaling/normalizzazione (quando necessario) per evitare che alcune variabili “dominino” solo perché hanno numeri più grandi.
Qual è il target: cosa stiamo predicendo
Il target principale è il prezzo al metro quadro (€/m²). Da lì, se serve, ricostruiamo anche il valore complessivo. Perché usare il prezzo al metro quadro? Perché rende più confrontabili immobili di dimensioni diverse e aiuta il modello a imparare “regole” più stabili.
Architettura: una rete neurale volutamente semplice
Quando il dataset è piccolo, reti troppo profonde rischiano di “imparare a memoria” (overfitting). Per questo usiamo una struttura compatta, con strati di regolarizzazione:
- Dropout (riduce l’overfitting “spegnendo” casualmente parte dei neuroni durante il training)
- Batch Normalization (stabilizza e accelera il training)
- 2 strati densi (fully connected, cioè “completamente connessi”) + uscita finale a 1 valore
Perché non usiamo una rete enorme come quelle dei modelli LLM alla base dell’AI? In scenari con pochi dati, una rete gigantesca spesso sembra “perfetta” sui dati di training, ma poi sbaglia molto su casi nuovi. Una rete piccola con buona validazione è più affidabile.
Training: come addestriamo il modello
Il training (addestramento) è stato impostato seguendo i seguenti punti chiave:
- TrainingSet / ValidationSet: separiamo dati per addestrare e dati per controllare che il modello generalizzi;
- PerformanceGoal → “Quality”: preferiamo qualità di predizione rispetto alla velocità
- TimeGoal: limite per evitare training troppo lunghi senza reali miglioramenti.
Validazione: perché facciamo anche k-fold cross validation
Con pochi dati, un singolo split training/validation può essere “fortunato” o “sfortunato”. Per ridurre questa variabilità usiamo la k-fold cross validation (validazione incrociata): dividiamo i dati in k parti, e ripetiamo il training k volte, ogni volta cambiando la parte usata come validazione. In pratica:
- ogni immobile viene usato sia per training che per validazione, ma in iterazioni diverse;
- otteniamo una misura più stabile dell’errore tipico.
La deviazione standard dell’errore (su validazione) è migliorata fino a std ≈ 558,84 €/m².
Test out-of-sample: esempio numerico (vero vs stimato)
Abbiamo poi verificato il comportamento su campioni out-of-sample (cioè non visti in training).
Esempio (valori complessivi, come da test interno):
| Caso | Vero | Stimato | Errore | Errore % |
|---|---|---|---|---|
| 1 | 480.000 | 351.563 | −128.437 | −26,8% |
| 2 | 630.000 | 717.514 | +87.514 | +13,9% |
| 3 | 150.000 | 184.354 | +34.354 | +22,9% |
| 4 | 220.000 | 250.495 | +30.495 | +13,9% |
| 5 | 140.000 | 182.915 | +42.915 | +30,7% |
| 6 | 240.000 | 237.232 | −2.768 | −1,2% |
| 7 | 380.000 | 546.929 | +166.929 | +43,9% |
| 8 | 320.000 | 352.639 | +32.639 | +10,2% |
Cosa significa davvero “pochi dati”
In un mercato locale come l’Altopiano, ottenere grandi quantità di transazioni pulite e omogenee è difficile. Questo ha due conseguenze pratiche:
- l’incertezza non può scendere sotto un certo livello: non è un difetto “dell’AI”, è informazione che manca nel mercato;
- l’AI può sbagliare di più su immobili molto fuori dal campione (es. oggetti unici o rarissimi rispetto al dataset).
Noi gestiamo questo punto in modo esplicito:
- architettura semplice (meno overfitting);
- regolarizzazione (dropout/batch norm);
- k-fold cross validation;
- monitoraggio continuo: quando aumentano le transazioni, aggiorniamo il training.
Tre regole utili per non tecnici
Se l’immobile è “standard”, l’AI tende a essere più stabile.
(Perché nel dataset ci sono più esempi simili.)
Se l’immobile è unico, l’AI va presa come “bussola”
(Oggetti rari = meno esempi = più incertezza.)
Chiedi sempre: “Che test avete fatto?”
Se qualcuno dice “usiamo AI” ma non sa mostrarti almeno una forma di validazione (out-of-sample, k-fold, errore tipico), sta facendo marketing, non modellistica.
Compila il form in pagina o contattaci se desideri avere una valutazione che parte da questo modello, integrata dagli IVS e ragionata da un agente immobiliare esperto.
Domande frequenti
Che cosa significa davvero “valutazione con AI”?
Significa che un modello statistico (di solito un algoritmo di Machine Learning) prova a stimare un prezzo partendo da dati dell’immobile e da esempi reali del mercato. Se chi te la propone non sa spiegare quali dati usa e come misura gli errori, molto probabilmente non sta usando AI in modo serio.
Qual è la prima domanda che dovrei fare a chi mi propone una stima AI?
Questa: “Su quali dati è stato addestrato il modello?”. Se la risposta è vaga (“su tanti dati”, “su internet”, “su portali”), non basta. Una risposta credibile parla di transazioni reali, dell’area geografica e di come i dati sono stati puliti.
È vero che “più dati = stima migliore”?
In generale sì, ma con un dettaglio importante: contano i dati giusti. Per un mercato locale, 10.000 annunci “sparati” possono valere meno di un dataset più piccolo ma fatto di prezzi reali di compravendita e caratteristiche affidabili.
Una stima AI può essere sempre precisa?
No. Diffida di chi lo promette. Una stima AI seria dovrebbe comunicare anche l’incertezza: cioè quanto può sbagliare “di solito” (per esempio in €/m² o in percentuale). Se ti danno un numero secco senza margine, è un campanello d’allarme.
Che differenza c’è tra “annunci” e “transazioni” per addestrare un’AI?
Gli annunci mostrano i prezzi richiesti (spesso negoziabili e talvolta fuori mercato). Le transazioni (prezzi di vendita) descrivono ciò che il mercato ha davvero pagato. Un modello serio privilegia i dati di transazione o, se usa annunci, lo dichiara chiaramente e li tratta con cautela.
Quale prova minima dovrebbe saper mostrare chi usa davvero AI?
Almeno una di queste: un test su casi mai visti prima dal modello (out-of-sample), oppure una validazione ripetuta (cross validation, cioè più test su più “spacchettamenti” dei dati). Non serve che ti mostrino codice: basta che sappiano dirti che test hanno fatto e che risultati hanno ottenuto.
Che cosa devo sospettare se mi dicono “è AI quindi è oggettivo”?
Che stanno facendo marketing. L’AI non è “magia”: riflette i dati disponibili e può essere distorta se i dati sono pochi o sbilanciati, se le caratteristiche sono inserite male, o se il mercato è molto variabile. Una comunicazione seria non parla di “oggettività assoluta”: parla di metodo e limiti.
Se il mercato locale ha poche vendite, ha senso usare l’AI?
Sì, ma con l’approccio giusto. Con pochi dati l’AI può comunque essere utile per dare coerenza alle stime, individuare i fattori che “pesano” di più e ridurre errori grossolani. Però deve essere chiaro che l’incertezza tende a crescere e che servono controlli e validazione.
Cosa vuol dire “il modello sbaglia di X” e perché è un buon segno che lo dicano?
Vuol dire che hanno misurato l’errore. È un ottimo segno perché chi non misura l’errore non può sapere se il modello funziona. Una risposta seria include una frase tipo: “Nei test su casi non usati nel training, l’errore tipico è nell’ordine di…”.
Qual è il campanello d’allarme numero uno?
Quando non sanno rispondere a domande semplici come: “Che dati usate?”, “Come verificate che funzioni?”, “Quanto può sbagliare?”, “Quando diventa meno affidabile?”. Se scivolano su queste, è molto probabile che “AI” sia solo un’etichetta.
Come capisco se stanno usando un tool generico o un modello davvero costruito per la zona?
Chiedi: “Il modello è stato addestrato su dati locali?”. Se è un tool nazionale “taglia unica”, può funzionare bene in città grandi e male in mercati sottili e particolari. Un modello serio per una zona specifica dichiara che è stato addestrato e testato su quel contesto.
In quali casi l’AI tende a essere meno affidabile?
Quando l’immobile è “fuori standard”: oggetti unici o rarissimi rispetto al mercato locale, ristrutturazioni atipiche o condizioni difficili da classificare, caratteristiche non ben documentate (dati mancanti, planimetrie incerte, ecc.). Una comunicazione seria lo dice chiaramente.