みなさんこんにちは。実は、小職はわりかし資格マニアです。
不動産鑑定士、宅地建物取引士は業務に関連しておりますが、世界遺産検定1級、公式ねこ検定初級、ジョギングインストラクター初級等々あります。今回はそのなかでもディープラーニングG検定にまつわるお話をさせていただきます。
このディープラーニングというのは、カタカナですが英語のスペルで書くと
Deep learning
になります。漢字で書くと深層学習です。さらにG検定のGとはGeneral（一般）です。ほかにE検定がありこのEはEngineer（技術者）のEです。
つまり、深層学習を一般人（非エンジニア）として多少知っているという事です。
下記、Wiki情報になります。
ディープラーニング（英: Deep learning）または深層学習（しんそうがくしゅう）とは、（狭義には4層以上[1][注釈 1]の）多層の人工ニューラルネットワーク（ディープニューラルネットワーク、英: deep neural network; DNN）による機械学習手法である[2]。要素技術としてはバックプロパゲーションなど、20世紀のうちに開発されていたものの、4層以上の深層ニューラルネットについて、局所最適解や勾配消失などの技術的な問題によって十分学習させられず、性能も芳しくなかった。しかし、21世紀に入って、オートエンコーダを始めとするヒントンらによる多層ニューラルネットワークの学習の研究や、学習に必要な計算機の能力向上、および、インターネットの発展による学習データの流通により、十分に学習させられるようになった。その結果、音声・画像・自然言語を対象とする諸問題に対し、他の手法を圧倒する高い性能を示し[3]、2010年代に普及した[1]。
人間の脳の動きを模した下記の経路図をご覧になったことがおありかと思います。
人工知能（じんこうちのう、英語：Artificial Intelligent、略語：AI）とは、人間が行う「知的ふるまい」の一部を、コンピュータプログラムを用いて人工的に再現したもの、もしくはその研究分野を指す。（引用https://www.atmarkit.co.jp/ait/articles/1904/01/news020.html）
一般に人工知能（AI）とは
その人工知能の手法の一つにあるのが、機械学習といいます。さらにその中で有力な手法がDeep learning（深層学習）と言われております。
ここで話は変わります。
不動産鑑定評価において、価格を求める手法は３つあります。
- 原価法 対象物件を再調達した時の価格
- 取引事例比較法 対象物件と類似の不動産取引事例から算定した価格
- 収益還元法 対象物件から将来において獲得できる利益を還元して得た価格
対象不動産の価格を求めるにあたって上記の3価格は、不動産の価格の持つ三面性、3方向から多角的に敷衍して成立しております。それゆえ、どの価格もお互いに検証しつつ、尊重していき、地域や物件の特性に応じて斟酌するものであったりします。
不動産投資をされている方はお馴染みかと思いますが、いわゆる「積算」といわれているものは①の原価法に準拠して、査定をしていることと思います。ここで、宅建取引業において行われる不動産査定と、不動産鑑定業における鑑定評価では扱いと考え方、計算式が異なりますので、あくまで考え方という解釈でお願いします。やや、話がそれましたが、そんな積算は土地価格に建物価格を加算するやり方です。
なお、いわゆる「収益」というのは、③の収益還元法による収益価格になろうかと思います。さらに手法をいえば直接還元法とDCF（Discount Cash Flow）法を併用するものです。
直接還元法略して「チョッカン」を直観で利回りを想定して利用されているかもしれません。
②に関していえば、一棟もののアパートや、マンションについては適用が難しいです。というのは土地建物併せた比較対照が難しいので、不動産鑑定業界的に適用するケースをなかなか見当たりません。この方式が使われるのは、区分マンションが多いと考えられます。
区分マンションが、比較対象項目がより定量化しやすいからと考えられます。例えば土地の比較するにあたり、特に地形など数値化するのにちょっと難しそうですね。
長々となりましたが、価格を求めるにあたり３つの方法があるという事になります。
そして、ここからが本題に入ります。
昨今の不動産テック業界において、「ご所有のご資産を、人工知能（AI）により可視化します」とのコピーを見かけるよう気がします。ビッグデータを利用したAIによる価格査定とかの記載もありますが、ここでいうAIとはどのような手法なのだろうかと気になります。
一つには、重回帰分析を適用しているのではないかと思います。
数式でいうと
ｙ＝ax+by+cz+ｄ
この場合の説明変数であるy（価格）を推定するためにｘ（例：駅からの徒歩分）、ｙ（例：築年）、ｚ(例：専有面積)の3変数を代入していき、理論値と実測値が一番当てはまりのいいa,b,c,dを決定します。
例として書かせていただきましたが、区分マンションであれば、これらの価格に関する要因（変数）を定量化しやすいので適用も可能です。エクセルのアドイン機能に重回帰分析が実装されていますので、ご確認してみては如何でしたでしょうか？
もう一つにはDLの利用です。
ここからは、小職の推定です。左側の入力データには、データを入力することになります。そして、データが出力層にたどり着き、実測値との誤差を逆伝播との反復により誤差を小さくするための各ノードの重み（加重平均の重みのイメージ）を調整していきます。
この時の入力データが画像分析であれば、画像の素子になるものと言われます。そして重みを調整します。DLの特徴はEnd to End と称され、先に述べた徒歩分、築年数、専有面積等を観測者が選出するでなく、DLの計算によって算出される所にあります。そのため人間が思いもよらない変数が、結果に大きな影響を及ぼしている事が発見されたりもあります。
ただ、本件に述べている不動産価格査定の入力データに何を用いているのでしょうか？
徒歩分等の変数を観測者が選定してしまったらEnd to Endではなくなってしまうので、本来の利点が減ってしまうと思うのです。
というわけで、小職はAIによる価格査定を、いまだ中身は解明できておりません。
判明次第、またお話させていただきます。
<完＞
