En la ambiciosamente en evolución industria de la construcción de Kuwait, caracterizada por su visión 2035 y rápida integración tecnológica, existe una necesidad urgente de marcos analíticos avanzados. La necesidad apremiante de marcos analíticos avanzados en el mercado de construcción de Kuwait surge de la necesidad de identificar ineficiencias, predecir tendencias del mercado y mejorar los procesos de toma de decisiones. Por ejemplo, estos marcos pueden utilizarse para detectar anomalías en los patrones de inversión, prever el impacto de los cambios económicos en los plazos de los proyectos y optimizar la asignación de recursos mediante el análisis de datos de suministro de mano de obra y materiales. Al aprovechar técnicas de aprendizaje profundo, como las redes neuronales autoencoder, los interesados pueden obtener una comprensión más profunda de las complejidades del mercado y mejorar la planificación estratégica y la eficiencia operativa. Este artículo de investigación presenta un enfoque de aprendizaje profundo que utiliza una red neuronal autoencoder para analizar las complejidades del mercado de construcción de Kuwait e identificar irregularidades en los datos. El significativo flujo de inversión y la expansión de proyectos en el sector de la construcción lo convierten en un candidato ideal para implementar técnicas analíticas sofisticadas que detecten patrones anómalos que indiquen ineficiencias o revelen oportunidades potenciales. Nuestro enfoque aprovecha las capacidades de las arquitecturas autoencoder para profundizar y comprender los patrones prevalentes en los comportamientos del mercado. Este análisis implica entrenar el autoencoder con datos históricos del mercado para aprender los patrones normales y, posteriormente, utilizarlo para identificar desviaciones de estos patrones aprendidos. Esto permite la detección de anomalías que pueden llevar a consecuencias operativas o financieras. Aclaramos los fundamentos matemáticos de los autoencoders, destacando su competencia en el manejo de datos complejos y multidimensionales típicos de la industria de la construcción. A través del entrenamiento en un extenso conjunto de datos que comprende variables como tamaños de mercado, distribuciones de inversión y finalizaciones de proyectos, nuestro modelo demuestra su capacidad para señalar anomalías sutiles pero significativas. Los resultados de este estudio mejoran nuestra comprensión del papel fundamental del aprendizaje profundo en la construcción y gestión de edificios. Empíricamente, el modelo detectó anomalías en los volúmenes de transacciones de terrenos y casas, destacando picos inusuales que se correlacionan con actividades específicas del mercado. Estos hallazgos demuestran la efectividad del autoencoder en la detección de anomalías, enfatizando su importancia en la mejora de la eficiencia operativa y la planificación estratégica en la industria de la construcción.