Woonin verbetert huurprijsberekening met AI en computer vision

Probleemstelling: van complexe plattegronden naar exacte data

De wetwijziging stelde Woonin voor een flinke uitdaging. “We wisten niet precies welke woningen balkons hadden en al helemaal niet hoe groot die waren,” zegt Mark Rossen, IT-adviseur bij Woonin. “Het handmatig nalopen van 35.000 woningen was simpelweg geen optie.” Plattegronden bevatten bovendien vaak onvolledige of verwarrende informatie. Termen zoals “balkon,” “dakterras” en “loggia” werden niet consistent gebruikt, en afmetingen ontbraken soms geheel.

We hebben nu een datakwaliteit die betrouwbaar genoeg is om de nieuwe huurwet correct toe te passen.

De tijdsdruk was enorm. “De wet werd pas vier dagen voor invoering bekendgemaakt, dus we hadden geen tijd te verliezen,” voegt Mark toe. “Dit was niet alleen een technische uitdaging, maar ook een morele verantwoordelijkheid. Woonin maakt geen winst, en we willen er zeker van zijn dat huurders niet onterecht te veel betalen.”

Aanpak en proces: innovatief en flexibel

Passionned Group kwam met een baanbrekende aanpak om de balkonsystematiek te automatiseren. Samen met Longhow Lam werd een proces in vier stappen ontwikkeld:

1. PDF naar beeld: plattegronden werden met Python omgezet van PDF naar beelden (PNG-bestanden), zodat ze geschikt waren voor verdere analyse.
2. Tekstherkenning met OCR (Optical character recognition): met behulp van Tesseract OCR werden woorden zoals “balkon” of “loggia” geïdentificeerd.
3. Pixelanalyse met het computer vision package OpenCV: deze analyse werd ingezet om contouren van balkons te herkennen en de bijbehorende pixels te tellen. Deze pixeldata werd vervolgens omgerekend naar vierkante meters door vergelijking met een referentieruimte, zoals de slaapkamer.
4. Cloudcomputing voor snelheid: een virtual machine in de Google Cloud-omgeving met 60 cores en 240 GB RAM werd tijdelijk opgespind. Dit versnelde het proces aanzienlijk: “Wat normaal 30 uur zou duren om alle plattegronden te verwerken, konden we nu in een uur doen door de kracht van parallel computing,” zegt Longhow.

Mark was onder de indruk van de flexibiliteit van Passionned Group: “Toen we merkten dat de keuken als referentieruimte niet werkte vanwege verwarrende lijnen voor aanrechten en dergelijke, stelde hij Passionned meteen voor om de slaapkamer te gebruiken. Dat soort snelle aanpassingen maakte een wereld van verschil.”

Figuur 1: Deze afbeelding toont hoe AI een balkonoppervlakte van 5,3m² heeft berekend, met een slaapkamer van 13,1m² als referentieruimte voor nauwkeurigheid.

De aanpak werd in drie iteraties verfijnd. Eerst werd een pilot uitgevoerd op 500 woningen, waarna feedback werd verwerkt om de nauwkeurigheid verder te verhogen. Uiteindelijk werd de volledige dataset van 35.000 woningen geanalyseerd.

Resultaten: tijdsbesparing en betrouwbaarheid

De samenwerking met Passionned heeft Woonin enorme voordelen opgeleverd. “Deze oplossing heeft ons letterlijk weken aan werk bespaard,” zegt Mark. We hebben nu een datakwaliteit die betrouwbaar genoeg is om de nieuwe huurwet correct toe te passen. Hoewel een klein percentage plattegronden vanwege slechte kwaliteit niet volledig verwerkt kon worden, bood het combineren van de resultaten van Artificial Intelligence en een eigen dataset van Woonin een robuuste oplossing. Waar nodig werden handmatige controles uitgevoerd, maar dit betrof slechts een relatief klein percentage van de totale woningen. Longhow benadrukt: “Met rechttoe-rechtaan data science, zonder de generatieve AI-hype, hebben we dit probleem effectief opgelost.”

Daarnaast was Woonin verrast door de snelheid van de cloudomgeving. “Ik wist niet dat je capaciteit zo snel kon opschalen,” zegt Mark. “Het openen van die wereld heeft me echt geïnspireerd.”