100 दिनों में AI की मदद से अकेले विकसित किया गया अपार्टमेंट प्राइस सिम्युलेटर (Web/iOS/Android)

नमस्ते। मैं कोरिया के अपार्टमेंट बाज़ार विश्लेषण और प्राइस सिम्युलेशन सेवा Apartment Insights APT Insights विकसित करने वाला एक इंजीनियर हूँ。

मैं लंबे समय से मुख्य रूप से frontend development और data visualization पर काम करता रहा हूँ, इसलिए backend infrastructure, asynchronous queues, statistics और time-series forecasting models मेरे लिए बेहद नए क्षेत्र थे। मैंने कभी नहीं सोचा था कि मैं खुद price forecasting model भी बनाऊँगा, लेकिन AI agent के साथ सक्रिय सहयोग करते हुए अपनी तकनीकी सीमाओं को पार किया और लगभग 100 दिनों में 100% AI agent-नेतृत्व वाले single-developer development को पूरा कर सका।

बच्चे के बड़े होने के साथ एक स्थायी घर बसाने की तैयारी में मैंने अपार्टमेंट बाज़ार का अध्ययन शुरू किया, और शुरुआत में यह केवल उन परिसरों की भविष्य की कीमतें सिम्युलेट करने वाला एक निजी toy project था जहाँ मैं वास्तव में रहने के लिए विचार कर रहा था। बाद में macroeconomic variables, statistical modeling और serverless infrastructure stack के उन्नयन के बाद यह देशभर के परिसरों को कवर करने वाली सेवा में विस्तृत हो गया। हाल ही में Web/PWA के साथ-साथ iOS App Store और Google Play Store के लिए आधिकारिक native apps भी लॉन्च किए गए हैं, और मैं इसे बिना विज्ञापन के मुफ्त साझा कर रहा हूँ।

1. एकल सही उत्तर (Point Forecast) की overfitting सीमा और समस्या की परिभाषा

मौजूदा price estimation और single-shot point forecast तरीके अक्सर इस सवाल पर overfit हो जाते हैं कि "24 महीने बाद इस अपार्टमेंट की कीमत ठीक कितनी होगी?"। ऐसा इसलिए है क्योंकि real estate बाज़ार पर interest rates, exchange rates, household debt, policy आदि जैसे macro variables का बड़ा प्रभाव पड़ता है।

इसलिए मैंने यह व्यावहारिक माना कि एक ही निश्चित संख्या देने के बजाय scenario-based probabilistic simulation के ज़रिए केंद्रीय 50% interval (P25 ~ P75) निकाला जाए।

2. statistical modeling और simulation संरचना

इसे हल करने के लिए prediction engine को मैंने बड़े रूप में 3 मुख्य स्तंभों पर डिज़ाइन किया।

16 active macro, structural, and regional factors: Bank of Korea ECOS के आधिकारिक आँकड़े (interest rates, exchange rates, household debt, construction costs) को qualitative और regional indicators (policy, sentiment, location आदि) के साथ जोड़ा गया, और past-point data snapshots को पुनर्स्थापित कर time-point consistency सुनिश्चित की गई।
VECM (Vector Error Correction Model) residual correction: move-in timing और market environment के अनुसार correction किया जाता है, और long-term equilibrium relationship बनाए रखने के लिए VECM residual momentum correction layer लागू की गई।
Monte Carlo simulation और point forecast trajectory interpolation: 24 महीनों के future price scenarios को point forecast trajectory interpolation और Monte Carlo simulation के माध्यम से P25 ~ P75 probability range के रूप में निकाला जाता है।

3. मात्रात्मक model performance और पारदर्शी OOS backtest

मॉडल की generalization performance और reliability के लिए representative evaluation cohort परिसरों और generalization validation sample परिसरों पर 12-month forward out-of-sample validation Forward OOS backtest नियमित रूप से किया जा रहा है।

12-month Forward OOS holdout sample price MAPE: 6.32% (आधिकारिक evaluation cohort के आधार पर)
holdout sample calibrated R^2: 0.610 (cohort backtest validation के आधार पर)
validation quality gate: पूरी तरह पास
रोज़ाना 5 random परिसरों का OOS validation और main highlight: technical whitepaper पेज पर हर दिन random चुने गए 5 परिसरों के 12-month Forward OOS backtest परिणाम पारदर्शी रूप से प्रकाशित किए जाते हैं, और उनमें से median error rate वाले 1 परिसर को main screen पर अपने-आप आज का validated apartment के रूप में highlight किया जाता है।
sample bias की रोकथाम: evaluation cohort में शामिल न होने वाले generalization sample परिसरों को भी अलग से track किया जाता है, ताकि training data bias के बिना देशभर के परिसरों पर generalization capability का लगातार सत्यापन हो सके।

4. App Store/Google Play पर आधिकारिक लॉन्च और multi-platform निर्माण

एक single monorepo (pnpm workspace + Turborepo) environment में विभिन्न devices पर accessibility सुनिश्चित करते हुए Web, PWA, iOS App Store और Android Google Play Store पर आधिकारिक रिलीज़ किया गया।

Web / PWA / Native WebView single pipeline: Next.js(Vercel) infrastructure को main server के रूप में रखकर, Capacitor packaging और native plugin integration के माध्यम से इसे iOS/Android native app environment तक विस्तृत किया गया।
social login और in-app browser समस्याओं का समाधान: Kakao, Apple, Google login के दौरान OIDC Nonce validation और native SDK ↔ server credential handoff flow बनाकर in-app browser blocking समस्या हल की गई। (Kakao mail consent न होने पर virtual email fallback लागू)
asset auto-sync toolchain: एक SVG source से PWA splash (40 resolutions), Android launcher/splash, और iOS app icon assets अपने-आप generate किए जाते हैं।
dual push pipeline: interested परिसरों की prediction में बदलाव होने पर Web Push और native OS push (FCM/APNs) को 2-level importance (Strong/Normal) के अनुसार branch करके Cloudflare Queue / QStash asynchronous pipeline से bulk में भेजा जाता है।

5. infrastructure और AI-नेतृत्व वाले development troubleshooting / lessons

serverless hybrid architecture (Next.js + Neon Postgres + Cloudflare Workers + Hono + Cloudflare Queue / Upstash Redis) संरचना के साथ मासिक fixed cost को न्यूनतम रखते हुए स्वायत्त development किया गया।

training-serving consistency सुनिश्चित करना: backtest/training के sample window reference date और serving के latest transaction date के बीच दिनों के अंतर के कारण freshness gate बदलने वाली train/serve skew समस्या का पता चला, और sample window reference date को अलग करने तथा historical replay (as-of) parameter alignment के ज़रिए serving और backtest के बीच पूर्ण consistency हासिल की गई।
on-demand delayed build catalog: देशभर के सभी अपार्टमेंट पहले से इकट्ठा कर लागत बर्बाद करने के बजाय, user traffic वाले regions (city/county/district) catalog और interested परिसरों के actual transaction data को asynchronously delayed build करने वाली pipeline जोड़ी गई।
quality-violating samples का automatic accumulation: random validation batch में error gate में फँसे anomalous samples को append-only storage में जमा कर, model tuning से पहले highest-priority improvement samples के रूप में उपयोग करने वाली self-diagnostic pipeline बनाई गई।
Upstash Redis memory limit exceed समस्या पर काबू: large-scale data backfill के दौरान raw JSON data की वजह से memory limit तक पहुँचने पर, agent ने इसे real-time dynamic lookup (Live fetch) संरचना में सीधे अलग किया, जिससे infrastructure cost leakage रुक गया।
policy weight upper-bound correction: कुछ price-band परिसरों में loan policy weight के असामान्य रूप से बढ़ जाने की समस्या को upper-bound calibration formula inject करके ठीक किया गया।

अगर real estate time-series modeling, VECM/Monte Carlo simulation, या serverless/Capacitor hybrid infrastructure के दृष्टिकोण से आपके पास feedback या कोई सवाल हो, तो बेझिझक comments में बात करें।

main landing: https://apt-insights.com
technical whitepaper: https://apt-insights.com/model
web application: https://app.apt-insights.com