Bieżący numer
Nowoczesne Systemy Zarządzania
Tematyka kolejnych numerów
Bieżący numer
Archiwum
O czasopiśmie
Redakcja
Międzynarodowa rada naukowa
Recenzenci
Polityka Open Access
Indeksacja
Wydawca
Przychody czasopisma
Dla autorów
Procedura zabezpieczająca oryginalność publikacji
Zasady opracowania publikacji naukowej
Procedura recenzowania
Zasady przesyłania artykułów
Opłaty
Dla recenzentów
Standardy etyczne
ARTYKUŁ ORYGINALNY
Zarządzanie nieruchomościami z wykorzystaniem kognitywnej maszyny wnioskującej
1
Akademia WSB w Dąbrowie Górniczej
Data publikacji online: 20-03-2023
Data publikacji: 20-03-2023
NSZ 2023;18(1):29-48
SŁOWA KLUCZOWE
Automatyczne Modele Wycenyzarządzanie nieruchomościamiuczenie maszynowesieci neuronowesystemy kognitywne
STRESZCZENIE
W artykule przedstawiono możliwość zastosowania Automatycznych Modeli Wyceny (AVMs),
rozszerzonych o technologie algorytmów uczenia maszynowego i sztuczne sieci neuronowe, do przetwarzania
kognitywnego w obszarze Facility Management. Opisano eksperymenty symulujące w procesach
operacyjnego zarządzania nieruchomością, zachowania AVMs w kognitywnej maszynie wnioskującej.
Badano poprawność działania algorytmów usług decyzyjnych wywoływanych przez zautomatyzowane
silniki wnioskujące dla generalizacji informacji o nieruchomości oraz procesu planowania wykorzystującego
algorytmy. Kluczowe wnioski z badania potwierdzają, że przyjęcie dla AVMs perspektywy kognitywnej
i zastosowanie technologii algorytmów i sztucznych sieci neuronowych w operacyjnym zarządzaniu nieruchomością
zwiększa produktywność procesów, tym samym przynosi korzyść zarządzającemu.
REFERENCJE (29)
1.
Babu, S., Venkataram, P., 2009. A Dynamic Authentication Scheme for Mobile Transactions, International Journal of Network Security, nr 8(1), s. 59-74.
2.
Bilgilioğlu, S.S., Hacı, M.Y., 2021. Comparison of Different Machine Learning Models for Mass Appraisal of Real Estate, Survey Review, November, s. 1-12.
3.
Bucoń, R., Tomczak, M., 2018. Decision-Making Model Supporting the Process of Planning Expenditures for Residential Building Renovation, Technological and Economic Development of Economy, nr 24 (3), s. 1200-1214.
4.
Carranza, J.P., Piumetto, M.A., Lucca, C.M., Da Silva, E., 2022. Mass Appraisal as Affordable Public Policy: Open Data and Machine Learning for Mapping Urban Land Values, Land Use Policy, nr 119 (August).
5.
Cheng, J.C.P., Chen, W., Tan, Y., Wang, M., 2016. A BIM-Based Decision Support System Framework for Predictive Maintenance Management of Building Facilities, 16th International Conference on Computing in Civil and Building Engineering, Osaka.
6.
Gavu, K.E., Tudzi, E.P., Ayitey, J.Z., 2015. Corporate Real Estate Management: A Survey of Literature, Conference: 4th International Conference on Infrastructure Development in Africa (ICIDA), Kumasi, Ghana.
7.
I.A.A.O., 2018. Standard on Automated Valuation Models (AVMs) – 2018, Kansas City, MO: International Association of Assessing Officers.
10.
Kara, A., Çağdaş, V., Işıkdağ, U., Bulent, O.T., 2018. Towards Harmonizing Property Measurement Standards, Journal of Spatial Information Science, nr 17, s. 87-119.
11.
Kaur, S., Shivam, G., Sanjay, K.S., Mirko, P., 2019. Organizational Ambidexterity through Global Strategic Partnerships: A Cognitive Computing Perspective, Technological Forecasting and Social Change, nr 145, s. 43-54.
12.
Kozicki, B., Mitkow, Sz., Sowa, B., 2021. Prognozowanie w obszarze zakupu nieruchomości w Polsce na 2021 rok w aspekcie bezpieczeństwa ekonomicznego, Nowoczesne Systemy Zarządzania, nr 16 (2), s. 23-37.
13.
Lemaignan, S., Warnier, M., Sisbot, E.A., Clodic, A., Alami, R., 2017. Artificial Cognition for Social Human-Robot Interaction: An Implementation, Artificial Intelligence, vol. 247, June, s. 45-69.
14.
Lorenz, F., Willwersch, J., Cajias, M., Fuerst, F., 2022. Interpretable Machine Learning for Real Estate Market Analysis, Real Estate Economics, s. 1-31.
15.
Mayer, M., Bourassa, S., Hoesli, M., Scognamiglio, D., 2019. Estimation and Updating Methods for Hedonic Valuation, Journal of Real Estate Research, nr 33 (3), s. 87-349.
16.
Nowak-Nova, D., 2018. Potencjał kognitywnej robotyzacji zaawansowanych procesów biznesowych. Mit czy rzeczywistość?, Przedsiębiorczość i Zarządzanie, nr 19 (5, cz. 2), s. 76-163.
18.
O.M.G.WfMC Specification, 2000. Workflow Management Facility Specification, V1.2. OMG Document.
19.
Pruszkowski, L., 2012. Facility Management jako innowacyjna koncepcja zarządzania procesami pomocniczymi, Innowacje w Zarządzaniu i Inżynierii Produkcji, nr 16, s. 25-214.
20.
Renigier-Biłozor, M., Chmielewska, A., Walacik, M., Janowski, A., Lepkova, N., 2021. Genetic Algorithm Application for Real Estate Market Analysis in the Uncertainty Conditions, Journal of Housing and the Built Environment, nr 36 (4), s. 70-1629.
21.
Steurer, M., Hill, R.J., Pfeifer, N., 2021. Metrics for Evaluating the Performance of Machine Learning Based Automated Valuation Models, Journal of Property Research, nr 38 (2), s. 99-129.
23.
Śmietana, K., 2013. Benchmarking w Zarządzaniu Wartością Nieruchomości Przedsiębiorstw, Finanse, Rynki Finansowe, Ubezpieczenia, nr 64 (1), s. 61-451.
25.
Thomas, W., 2014. Operations Research Vis-a-vis Management at Arthur D. Little and the Massachusetts Institute of Technology in the 1950s, Business History Review, nr 86, s. 99-122.
27.
vom Brocke, J., Recker, J., Mendling, J., 2010. Value-Oriented Process Modeling: Integrating Financial Perspectives into Business Process Re-Design, Business Process Management Journal, nr 16 (2).
28.
Welck, M., Derdak, I.J., Veit, D., 2020. Understanding Individuals Perceptions Regarding Cognitive Computing Systems, International Conference on Information Systems (ICIS), s. 1-9.
29.
Xu, J., Weisheng, L., Fan, X., Ke, Ch., 2019. Cognitive Facility Management: Definition, System Architecture, and Example Scenario, Automation in Construction, nr 107(2), s. 1-25.
| eISSN: | 2719-860X |
| ISSN: | 1896-9380 |
Przetwarzamy dane osobowe zbierane podczas odwiedzania serwisu. Realizacja funkcji pozyskiwania informacji o użytkownikach i ich zachowaniu odbywa się poprzez dobrowolnie wprowadzone w formularzach informacje oraz zapisywanie w urządzeniach końcowych plików cookies (tzw. ciasteczka). Dane, w tym pliki cookies, wykorzystywane są w celu realizacji usług, zapewnienia wygodnego korzystania ze strony oraz w celu monitorowania ruchu zgodnie z Polityką prywatności. Dane są także zbierane i przetwarzane przez narzędzie Google Analytics (więcej).
Możesz zmienić ustawienia cookies w swojej przeglądarce. Ograniczenie stosowania plików cookies w konfiguracji przeglądarki może wpłynąć na niektóre funkcjonalności dostępne na stronie.
Możesz zmienić ustawienia cookies w swojej przeglądarce. Ograniczenie stosowania plików cookies w konfiguracji przeglądarki może wpłynąć na niektóre funkcjonalności dostępne na stronie.
