100 Günde Yapay Zekayla Tek Kişi Tarafından Geliştirilen Apartman Fiyat Simülatörü (Web/iOS/Android)

Merhaba. Kore apartman piyasası analizi ve fiyat simülasyonu hizmeti Apartman Insights APT Insights’ı geliştiren bir mühendisim.

Uzun süredir ağırlıklı olarak frontend geliştirme ve veri görselleştirme işleriyle ilgilendiğim için backend altyapısı, asenkron kuyruklar, istatistik ve zaman serisi tahmin modelleri benim için oldukça yabancı alanlardı. Piyasa fiyatı tahmin modelini bizzat kuracağımı hiç düşünmezdim; ancak yapay zeka ajanlarıyla aktif biçimde iş birliği yaparak teknik sınırları aştım ve yaklaşık 100 gün içinde, %100 yapay zeka ajanı yönlendirmesiyle tek kişilik geliştirmeyi tamamlayabildim.

Çocuğum büyürken yerleşeceğimiz bir yuva hazırlamak için apartman piyasasını incelemeye başladım; başlangıçta bu, gerçekten oturmayı düşündüğümüz site adaylarının gelecekteki fiyatlarını simüle etmeye yönelik kişisel bir toy project’ti. Daha sonra makroekonomik değişkenlerin dahil edilmesi, istatistiksel modelleme ve serverless altyapı stack’inin olgunlaştırılmasıyla, ülke genelindeki siteleri kapsayan bir hizmete dönüştü. Yakın zamanda yalnızca web/PWA değil, iOS App Store ve Google Play Store’da resmi native uygulamalar da yayımladım; reklamsız ve ücretsiz olarak paylaşıyorum.

1. Tek Atımlık Doğru Cevabın (Point Forecast) Overfitting Sınırı ve Problemin Tanımı

Mevcut piyasa fiyatı kestirimi ve tek atımlık nokta tahmini (Point Forecast) yaklaşımları, “24 ay sonra bu apartmanın fiyatı tam olarak ne olacak?” sorusuna kolayca overfitting yapabiliyor. Çünkü gayrimenkul piyasası faiz, döviz kuru, hane halkı borcu, politika gibi makro değişkenlerden büyük ölçüde etkileniyor.

Bu nedenle tek bir doğru değer sunmak yerine senaryo tabanlı olasılıksal simülasyon ile orta %50 aralığını (P25 ~ P75) hesaplamanın daha pratik olduğuna karar verdim.

2. İstatistiksel Modelleme ve Simülasyon Yapısı

Bunu çözmek için tahmin motorunu genel olarak 3 eksen üzerine tasarladım.

16 aktif makro, yapısal ve bölgesel faktör: Kore Merkez Bankası ECOS resmi istatistiklerini (faiz, döviz kuru, hane halkı borcu, inşaat maliyeti) ve nitel/bölgesel göstergeleri (politika, piyasa psikolojisi, konum vb.) birleştirdim; geçmiş zamana ait veri snapshot’larını geri yükleyerek dönemler arası tutarlılığı sağladım.
VECM (Vektör Hata Düzeltme Modeli) artık düzeltmesi: Taşınma zamanı ve piyasa koşullarına göre düzeltme yapıyor; uzun vadeli denge ilişkisini koruyan Vektör Hata Düzeltme Modeli (VECM) artık momentum düzeltme katmanını uyguladım.
Monte Carlo simülasyonu ve nokta tahmin yörüngesi interpolasyonu: 24 aylık gelecek fiyat senaryolarını, nokta tahmin yörüngesi interpolasyonu ve Monte Carlo simülasyonu yoluyla P25 ~ P75 olasılık aralığı olarak hesaplıyor.

3. Nicel Model Performansı ve Şeffaf OOS Backtest

Modelin genelleme performansı ve güvenilirliği için temsili değerlendirme kohortu siteleri ve genelleme doğrulama örnek siteleri üzerinde düzenli olarak 12 aylık gelecek out-of-sample doğrulaması Forward OOS backtest’i yürütüyorum.

12 aylık Forward OOS holdout örnek fiyat MAPE: %6,32 (resmi değerlendirme kohortu bazında)
Holdout örnek düzeltilmiş R^2: 0,610 (kohort backtest doğrulaması bazında)
Doğrulama kalite kapıları: Tamamı geçti
Her gün rastgele 5 site OOS doğrulaması ve ana öne çıkarma: Teknik whitepaper sayfasında, her gün rastgele seçilen 5 sitenin 12 aylık Forward OOS backtest sonuçlarını şeffaf biçimde yayımlıyor; bunların arasından hata oranı medyanına (Median) sahip 1 siteyi ana ekranda günün doğrulama apartmanı olarak otomatik öne çıkarıyorum.
Örneklem yanlılığını önleme: Değerlendirme kohortunda yer almayan genelleme örnek siteleri için de ayrı takip yaparak, öğrenme verisine kaymadan ülke genelindeki sitelere genelleme yeteneğini sürekli doğruluyorum.

4. App Store/Google Play Resmi Lansmanı ve Çoklu Platform Kurulumu

Tek bir monorepo (pnpm workspace + Turborepo) ortamında farklı cihazlardan erişilebilirliği sağlayarak web, PWA, iOS App Store ve Android Google Play Store’da resmi olarak yayımladım.

Web / PWA / Native WebView tek pipeline: Next.js (Vercel) altyapısını ana sunucu olarak kullanıp, Capacitor paketleme ve native plugin entegrasyonuyla iOS/Android native uygulama ortamına genişlettim.
Sosyal login ve in-app browser sorunlarının çözümü: Kakao, Apple, Google login sırasında OIDC Nonce doğrulaması ve native SDK ↔ sunucu credential aktarımı (Handoff) akışını kurarak in-app browser engelleme sorununu çözdüm. (Kakao mail izni verilmediğinde sanal e-posta fallback’i uygulanıyor)
Asset otomatik senkronizasyon toolchain’i: Tek bir SVG kaynağından PWA splash (40 çözünürlük), Android launcher/splash ve iOS app icon asset’lerini otomatik üretiyor.
Yedekli push pipeline’ı: Takip edilen sitelerde tahmin değişimi olduğunda Web Push ve native OS push’larını (FCM/APNs) 2 kademeli öneme (Strong/Normal) ayırarak Cloudflare Queue / QStash asenkron pipeline’ı üzerinden toplu gönderiyor.

5. Altyapı ve Yapay Zeka Odaklı Geliştirme Troubleshooting / Dersler

Serverless hibrit mimari (Next.js + Neon Postgres + Cloudflare Workers + Hono + Cloudflare Queue / Upstash Redis) yapısıyla aylık sabit maliyeti minimuma indirerek otonom geliştirme yaptım.

Training-serving tutarlılığının sağlanması: Backtest/öğrenme sırasında kullanılan örnek pencere referans tarihi ile serving sırasındaki en güncel işlem tarihi arasındaki gün farkı nedeniyle freshness (Recency) kapısının değiştiği training-serving uyuşmazlığını (Train/Serve Skew) tespit ettim; örnek pencere referans tarihini ayırarak ve geçmişi yeniden üretme (as-of) parametrelerini hizalayarak serving ile backtest arasında tam tutarlılık sağladım.
On-demand gecikmeli katalog oluşturma: Ülkedeki tüm apartmanları önceden toplayıp maliyet israfı yaratmak yerine, kullanıcının geldiği bölge (ilçe/şehir) kataloğunu ve takip edilen sitelerin gerçek işlemlerini asenkron olarak gecikmeli oluşturan pipeline’ı entegre ettim.
Kalite ihlali örneklerinin otomatik biriktirilmesi: Rastgele doğrulama batch’inde hata kapısına takılan aykırı örnekleri append-only depoda biriktirerek, model tuning öncesinde en öncelikli iyileştirme örnekleri olarak kullanan bir öz tanı pipeline’ı kurdum.
Upstash Redis bellek limiti aşımını aşma: Büyük ölçekli veri backfill sırasında ham JSON verisi nedeniyle bellek limitine ulaşıldığında, ajan bunu doğrudan gerçek zamanlı dinamik sorgu (live fetch) yapısına ayırarak altyapı maliyeti sızıntısını engelledi.
Politika ağırlığı üst sınırının düzeltilmesi: Belirli fiyat aralığındaki sitelerde kredi politikası ağırlığının anormal biçimde yükselmesi sorununu, üst sınır kalibrasyon formülü enjekte ederek düzelttim.

Gayrimenkul zaman serisi modelleme, VECM/Monte Carlo simülasyonu ya da serverless/Capacitor hibrit altyapı açısından geri bildiriminiz veya merak ettiğiniz konular varsa yorumlarda rahatça konuşabiliriz.

Ana landing: https://apt-insights.com
Teknik whitepaper: https://apt-insights.com/model
Web uygulaması: https://app.apt-insights.com