原文：
towardsdatascience.com/hands-on-building-a-virtual-property-consultant-using-artificial-intelligence-95c2530bf855
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/cad6285e88702563ba4ea9e69ca3eaad.png
作者使用 DALL·E3 制作的照片
这篇文章从一个个人故事开始。
我来自意大利，现在已经在美国生活了 4 年。我从罗马大学毕业不久就搬到了这里，当时我 23 岁。我有很多梦想，对人工智能有着巨大的热情，并且正在辛辛那提大学攻读博士学位。
我在意大利度过了我大部分的生活，享受美食，品尝好咖啡，在交通中坐上好几个小时（为了去任何地方）🙃。然而，我在美国“成熟”了很多（我的妻子教了我这个术语），因为我开始独自做一些我在意大利从未做过的事情，我的父母在海洋的另一边。我和妻子第一次一起做的事情就是寻找房屋。
1. 关于寻找房屋
对于我的非美国追随者来说，“寻找房屋”就是寻找你理想中的房子的实践。术语“寻找”之所以使用，是因为有如此多的房子、如此多的房地产经纪人和网站可供选择，这不仅仅是对你房子的“搜索”；它更像是一场积极的狩猎。它涉及到像以下问题：
哪个网站最好？哪个报价最好？哪个社区最好？我需要缴纳多少税？我的保险费有多高？
在物理学中，我们会称之为优化问题，即你梦想中的房子的所有属性都希望得到满足（有一定的谈判空间），但将预算限制在 x 美元的某个特定价值：
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/4605c8a4a124cbcc1c533233a9a5dec6.png
作者制作的照片
市场如此庞大，充满了机会，并且可以定制，房地产经纪人试图与客户合作，帮助他们找到梦想中的房子。对于这个概念，美国的房地产业通常也与“积极进取”的概念联系在一起，从而突显出人类品质和软技能在日常房地产活动中的重要性。
2. 在数据科学期间寻找房屋
现在，我想把自己也看作是一个“积极进取的人”，但我不是一名房地产经纪人。实际上，我是一名机器学习工程师，所以如果这么说合适的话，我可能是一个“书呆子积极进取的人”。作为一个书呆子积极进取的人，我在想数据科学和房地产行业交汇的地方。想到这里，数据科学和房地产行业已经在很多地方交汇了，比如**Zillow，Realtor，或者Parafin**。这些公司是我梦想在加利福尼亚州拥有一套百万美元豪宅时的去处，它们在创造客户和卖家之间的桥梁方面做得非常出色。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/813d80a827071ffbec132be9ac917623.png
红色是传统方法**；绿色**会是上述提到的那些公司之一。
现在，绿色部分是如何工作的？比如，如果你去 Zillow，你会看到你可以选择的一堆特性。例如价格，卧室/浴室的数量，如果是一个带院子的公寓或房子，预算（当然），利率，城市和邮编。一旦你选择了你关心的特性，你就可以查看房子的虚拟游览（带图片和视频）。如果你喜欢，你可以预约房地产经纪人的看房。
如果你问我（因为我热爱软件），这是一大步的进步。它需要的承诺要少得多；你不必开车去办公室，你也不会被你不喜欢的房地产经纪人困住。我也非常偏袒，因为我热爱软件及其周围的一切，所以我非常尊重那些从零开始建立 Zillow 的人。
3. 使用生成式 AI 进行房屋搜索（本文）
我认为，通过生成式人工智能，用户可以体验到下一步的体验。让我澄清一下：
我仍然坚信人机交互的重要性。
我认为即使是人工智能的发明者（它实际上并不存在）也不会仅仅因为电脑这么说就买房子。你想要与人交谈，了解他们的想法，帮助他们帮助你，面对你的观点，在你那里谈论足球。
在这个过程中，我看到唯一的机会是以下这一点：有时候，我甚至不知道自己想要什么，我有一种预算，但我可能会为了一栋让我心动的房子而稍微提高预算，我想住在一个地方，但离那里 20 分钟也行，只要它值得，理想情况下，我不会住在公寓里，但也许我会。所以在这篇文章中，我们将这样做：
我们将用聊天体验来取代传统的数据库搜索。
我这是什么意思？让我给你举一个例子。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/db57c1d6f87ca91053b5f61c5f75f144.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/8f799101cbc927d44bb5f79d4506ab53.png
由作者制作的照片
正如你所看到的，我的查询是：
“我想要一个位于东西雅图的房子，可能很大但不要太贵。我的预算大约是 100 万。”
我的 AI 正在以与你的数据科学搜索算法相同的方式与西雅图市的数据库进行通信，但更好🙃。我认为这是更好的，因为：它帮助你在那个灰色区域（我说“可能很大”，它给了我大小的参考）；它提供了邮编；它告诉我谈判的可能性；并且它给了我立即安排看房选项。
简而言之，我认为随着生成式 AI 的采用，房屋搜索将变得极其有趣，我希望在阅读这篇文章后，你也会同意我的观点。
这是我们将要做的：
我们将下载并预处理一个房地产房屋列表。特别是，我们将使用西雅图的例子来简化。
我们将使用Langchain将 OpenAI GPT 模型连接到数据库。
我们将创建一个WebApp，你可以积极地与 GPT 交谈，就像示例中显示的那样，使用Streamlit。
我们将展示更多示例
希望你和我一样兴奋。让我们开始吧 🚀
3.0 导入库
所以，正如我承诺的那样，我们将做一个网络应用程序，但我仍然想以笔记本的方式展示这个过程，即使我们正在积极使用该应用程序。让我们开始吧。
我们用于核心部分的库（不是用于应用程序）如下：
cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fjovian.com%2Fembed%3Furl%3Dhttps%3A%2F%2Fjovian.ml%2Fpiero-paialunga%2Frealestateai%2Fv%2F1%26cellId%3D1&dntp=1&display_name=Jovian&url=https%3A%2F%2Fjovian.ml%2Fpiero-paialunga%2Frealestateai%2Fv%2F1%26cellId%3D1&image=https%3A%2F%2Fapi.jovian.com%2Fapi%2Fgist%2Ff8120c9f188f449b8566ed30f0db4f81%2Fpreview%2F78f101da5d3242338e90f646b6e034b6%3Fts%3D1712438430846&key=a19fcc184b9711e1b4764040d3dc5c07&type=text%2Fhtml&scroll=auto&schema=jovian
你需要这个constants.py脚本，其中你需要用你的OpenAI API密钥替换OPENAI_API_KEY。请注意，每次运行 Langchain 时，这都会产生一些（非常有限的）费用。使用 OpenAI API 页面获取更多信息。
