Trong dữ liệu BĐS, cùng một ý có thể được viết hàng chục cách: “CHCC”, “căn hộ”, “apartment”; “Q.9”, “Quận 9”, “TP Thủ Đức” theo các thời điểm; diện tích có m², ha; tên dự án có tên thương mại và tên pháp lý. Nếu không chuẩn hóa, báo cáo và mô hình sẽ coi nhiều thực thể giống nhau là khác nhau.
AI giúp hiểu ngôn ngữ và ngữ cảnh, nhưng chuẩn hóa phải dựa trên từ điển và quy tắc quản trị dữ liệu.
Chuyên đề: AI ứng dụng trong Bất động sản · Bài 09 · Nghiên cứu thị trường, dữ liệu và thông tin
Biên soạn: ThS. Nguyễn Mạnh Hùng
GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Ba việc khác nhau
- Chuẩn hóa: đưa cùng ý về cách biểu diễn chuẩn.
- Phân loại: gán một bản ghi vào nhóm đã định nghĩa.
- Gắn nhãn: tạo nhãn phục vụ huấn luyện, phân tích hoặc quy trình.
Không nên trộn ba việc này vì tiêu chí đúng khác nhau.
2. Từ điển dữ liệu là nguồn chuẩn
Mỗi trường cần tên, định nghĩa, kiểu, đơn vị, danh mục giá trị, quy tắc thiếu dữ liệu và chủ sở hữu dữ liệu. AI chỉ được ánh xạ về các giá trị đã cho; nếu không phù hợp thì trả UNKNOWN/NEEDS_REVIEW thay vì tự tạo danh mục mới.
3. Giữ song song giá trị gốc
| Trường | Giá trị gốc | Giá trị chuẩn |
|---|---|---|
| Loại tài sản | CHCC | CAN_HO_CHUNG_CU |
| Diện tích | 0,12 ha | 1200 m² |
| Tình trạng | đang hoàn thiện | DANG_THI_CONG |
Giá trị gốc cần được bảo toàn để kiểm tra việc ánh xạ.
4. Chuẩn hóa số và đơn vị bằng công cụ xác định
AI nhận diện “0,12 ha” là diện tích; việc đổi sang 1.200 m² nên do thư viện chuyển đơn vị hoặc code xác định. Tương tự với tiền tệ, phần trăm và ngày tháng.
5. Phân loại cần định nghĩa ranh giới
Nhãn “cao cấp” có thể rất chủ quan nếu không có tiêu chí. Nhãn dùng trong hệ thống phải có định nghĩa và ví dụ biên: dựa giá, vị trí, tiện ích hay tiêu chí doanh nghiệp? Nếu định nghĩa thay đổi, phải có phiên bản.
6. Hướng dẫn gắn nhãn cho con người và AI
Một bộ hướng dẫn tốt nêu mục tiêu, định nghĩa từng nhãn, trường hợp điển hình, trường hợp mơ hồ và cách ưu tiên khi một bản ghi có thể thuộc nhiều nhãn. Người gắn nhãn và AI phải cùng tuân một chuẩn.
7. Đánh giá theo từng lớp
Nếu 90% dữ liệu là “nhà ở” và 10% là “thương mại”, độ chính xác tổng có thể cao dù lớp thương mại sai nhiều. Cần xem precision/recall theo lớp và đặc biệt các lớp có hậu quả nghiệp vụ lớn.
8. Trường hợp mơ hồ và đa nhãn
Một bất động sản hỗn hợp có thể vừa thương mại vừa lưu trú. Đừng ép một nhãn nếu nghiệp vụ cho phép đa nhãn. Nếu hệ thống bắt buộc một lớp chính, quy tắc chọn lớp chính phải rõ.
9. Tình huống: chuẩn hóa kho tin đăng
AI đọc tiêu đề và mô tả để nhận diện loại tài sản, dự án, phòng ngủ, nội thất. Sau đó danh mục chuẩn ánh xạ loại tài sản; bộ tính chuẩn hóa diện tích; chống trùng gộp bản ghi; các trường độ tin cậy thấp vào hàng đợi duyệt. Bản ghi gốc không bị xóa.
10. Phát hiện thay đổi phân phối
Nếu xuất hiện nhiều thuật ngữ mới hoặc tỷ lệ UNKNOWN tăng, có thể danh mục đã lỗi thời. Đây là tín hiệu để người quản trị cập nhật từ điển, không phải để AI tự thêm nhãn trong âm thầm.
Ghi nhớ trong 30 giây
- Chuẩn hóa thay đổi cách biểu diễn, không được âm thầm thay đổi ý nghĩa dữ liệu gốc.
- Nhãn tốt cần định nghĩa, ví dụ biên và quy tắc xử lý trường hợp mơ hồ.
- Giữ đồng thời giá trị gốc và giá trị chuẩn hóa để có thể truy vết.
- Độ tin cậy thấp hoặc nhãn ảnh hưởng quyết định quan trọng phải chuyển người duyệt.
Nguồn tham khảo
- NIST – AI Risk Management Framework (AI RMF) 1.0 và AI RMF Playbook; NIST đang cập nhật AI RMF trong năm 2026 nên khi triển khai thực tế cần kiểm tra phiên bản hiện hành.
- NIST AI 600-1 – Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, 2024.
- ISO/IEC 42001:2023 – Artificial intelligence management system.
- RICS – Responsible use of artificial intelligence in surveying practice, 1st edition; có hiệu lực từ 09/03/2026.
Bài tiếp theo
Bài 10: Entity Resolution và chống trùng: nhận diện cùng một tài sản, dự án, cá nhân hay doanh nghiệp trong nhiều nguồn