Prompt: Đánh giá tác động của tiện ích công cộng đến giá BĐS – Phân tích dữ liệu bất động sản – AI Real Estate

Tuyệt vời! Với vai trò là chuyên gia kỹ thuật prompt, tôi sẽ phân tích chi tiết mẫu prompt bạn cung cấp.

1. Phân tích Cấu trúc Prompt

Mẫu prompt này có cấu trúc tương đối rõ ràng, tập trung vào việc thu thập và phân tích thông tin liên quan đến bất động sản và tiện ích công cộng. Nó bao gồm các yếu tố cố định (các từ ngữ mô tả hành động và mục tiêu) và các yếu tố biến đổi (các placeholder cần được thay thế bằng thông tin cụ thể).

Các thành phần chính trong cấu trúc này là:

• Hành động chính: “Phân tích dữ liệu”
• Đối tượng phân tích: “sự hiện diện và chất lượng của các tiện ích công cộng”
• Tiện ích công cộng chính (biến đổi): [TIỆN_ÍCH_CÔNG_CỘNG_CHÍNH] – Đây là một placeholder cấp cao, có thể đại diện cho một danh sách hoặc một nhóm các tiện ích.
• Các ví dụ tiện ích cụ thể (biến đổi): [CÔNG_VIÊN_CÂY_XANH], [KHU_THỂ_THAO], [BỆNH_VIỆN_CÔNG], [TRƯỜNG_HỌC_CÔNG_LẬP] – Các placeholder này cung cấp các ví dụ minh họa cho loại tiện ích cần phân tích, giúp mô hình hiểu rõ hơn.
• Phạm vi khảo sát (biến đổi): [BÁN_KÍNH_KHẢO_SÁT] – Xác định bán kính địa lý xung quanh các bất động sản.
• Địa điểm bất động sản (biến đổi): [KHU_DÂN_CƯ] – Xác định khu vực địa lý nơi đặt các bất động sản cần xem xét.
• Mục tiêu phụ: “Đánh giá sự khác biệt về giá trung bình so với các khu vực thiếu các tiện ích này.” – Đây là một yêu cầu phân tích so sánh để làm rõ hơn tác động của tiện ích đến giá trị bất động sản.

Việc sử dụng các bracket vuông [...] cho các placeholder là một quy ước phổ biến để chỉ ra các phần cần được thay thế.

2. Ý nghĩa & Cách hoạt động

Về mặt kỹ thuật, mẫu prompt này yêu cầu một mô hình xử lý ngôn ngữ tự nhiên (NLP) thực hiện các tác vụ sau:

• Hiểu và trích xuất thông tin: Mô hình cần nhận diện các loại tiện ích công cộng được liệt kê và các định danh địa lý (khu dân cư, bán kính).
• Tìm kiếm/ Truy xuất dữ liệu (ngụ ý): Mặc dù prompt không trực tiếp yêu cầu mô hình *truy xuất* dữ liệu từ một nguồn cụ thể, nhưng ý định của người dùng là muốn mô hình xử lý dữ liệu đã có sẵn hoặc có khả năng *tưởng tượng/suy luận* dựa trên kiến thức được huấn luyện về các mối quan hệ này. Trong ngữ cảnh của các mô hình AI hiện đại, nó có thể được hiểu là yêu cầu mô hình *tạo ra một phân tích* dựa trên những gì nó đã học về mối tương quan giữa tiện ích và giá bất động sản, hoặc yêu cầu một hệ thống tích hợp với cơ sở dữ liệu ngoài để lấy thông tin.
• Phân tích sự hiện diện và chất lượng: Mô hình cần đánh giá xem các tiện ích đó có tồn tại trong phạm vi xác định hay không, và nếu có thể, đánh giá sơ bộ về chất lượng của chúng (dựa trên kinh nghiệm huấn luyện về cách miêu tả các loại tiện ích này).
• So sánh và đánh giá: Sau khi phân tích sự hiện diện, mô hình được yêu cầu thực hiện một phép so sánh giá trị trung bình của bất động sản ở các khu vực có và không có tiện ích.
• Viết báo cáo/Phân tích: Cuối cùng, mô hình cần tổng hợp tất cả thông tin này thành một câu trả lời có cấu trúc, bao gồm cả phần đánh giá sự khác biệt về giá.

Cách hoạt động cụ thể sẽ phụ thuộc vào mô hình được sử dụng. Với các mô hình ngôn ngữ mạnh mẽ, chúng có thể:

• Hiểu các thuật ngữ địa lý và tiện ích.
• Dựa trên kiến thức đã được huấn luyện để suy luận về mức độ có sẵn và chất lượng tương đối của các tiện ích tại các khu vực giả định hoặc được chỉ định.
• Tạo ra một báo cáo giả định về sự khác biệt giá, dựa trên các xu hướng chung đã học được.

Nếu mô hình được tích hợp với các công cụ (tools) hoặc cơ sở dữ liệu, nó có thể truy vấn dữ liệu thực tế về vị trí bất động sản, bán kính, và các tiện ích để cung cấp một phân tích chính xác hơn.

3. Ví dụ Minh họa

Dưới đây là hai ví dụ về cách bạn có thể điền thông tin vào mẫu prompt để tạo ra các yêu cầu cụ thể:

Ví dụ 1: Phân tích cho khu vực đô thị trung tâm

Prompt sau khi điền:

Phân tích dữ liệu về sự hiện diện và chất lượng của các [TIỆN_ÍCH_CÔNG_CỘNG_CHÍNH] như [CÔNG_VIÊN_CÂY_XANH], [KHU_THỂ_THAO], [BỆNH_VIỆN_CÔNG], [TRƯỜNG_HỌC_CÔNG_LẬP] trong phạm vi bán kính [BÁN_KÍNH_KHẢO_SÁT] tính từ các bất động sản tại [KHU_DÂN_CƯ]. Đánh giá sự khác biệt về giá trung bình so với các khu vực thiếu các tiện ích này.

Thông tin chi tiết cho Ví dụ 1:

• [TIỆN_ÍCH_CÔNG_CỘNG_CHÍNH]: “Dịch vụ công cộng thiết yếu”
• [CÔNG_VIÊN_CÂY_XANH]: “Các công viên lớn và khu cây xanh công cộng”
• [KHU_THỂ_THAO]: “Các trung tâm thể thao cộng đồng và sân vận động nhỏ”
• [BỆNH_VIỆN_CÔNG]: “Các bệnh viện đa khoa công lập”
• [TRƯỜNG_HỌC_CÔNG_LẬP]: “Các trường tiểu học, trung học công lập chất lượng cao”
• [BÁN_KÍNH_KHẢO_SÁT]: “2 km”
• [KHU_DÂN_CƯ]: “Khu trung tâm thành phố Hồ Chí Minh (Quận 1, Quận 3)”

Ví dụ 2: Phân tích cho khu vực ngoại ô đang phát triển

Prompt sau khi điền:

Phân tích dữ liệu về sự hiện diện và chất lượng của các [TIỆN_ÍCH_CÔNG_CỘNG_CHÍNH] như [CÔNG_VIÊN_CÂY_XANH], [KHU_THỂ_THAO], [BỆNH_VIỆN_CÔNG], [TRƯỜNG_HỌC_CÔNG_LẬP] trong phạm vi bán kính [BÁN_KÍNH_KHẢO_SÁT] tính từ các bất động sản tại [KHU_DÂN_CƯ]. Đánh giá sự khác biệt về giá trung bình so với các khu vực thiếu các tiện ích này.

Thông tin chi tiết cho Ví dụ 2:

• [TIỆN_ÍCH_CÔNG_CỘNG_CHÍNH]: “Cơ sở hạ tầng cộng đồng”
• [CÔNG_VIÊN_CÂY_XANH]: “Các công viên nhỏ, khu vui chơi trẻ em”
• [KHU_THỂ_THAO]: “Sân cầu lông, bóng rổ công cộng”
• [BỆNH_VIỆN_CÔNG]: “Các trạm y tế phường, bệnh viện tuyến huyện”
• [TRƯỜNG_HỌC_CÔNG_LẬP]: “Các trường tiểu học, trung học phổ thông công lập”
• [B