Opendoor, den sjuåriga uppstarten som publicerades i december förra året genom sammanslagning med ett specialförvärvsföretag, eller SPAC, anser att den har artificiell intelligensförmåga att optimera det som för närvarande är en mycket rörig uppgift att sälja ditt hem.
Företaget kommer att ge dig kontantpengar efter att ha svarat på några frågor i appen, så att du kan vara på väg att lossa ditt hem utan tråkiga veckor eller månader med att hantera mäklare och köpare. Det handlar om att öka likviditeten i bostäder och att sätta bostadsmarknaden online. Marknaden är bara 1% “penetrerad” när det gäller försäljning online, enligt företaget.
Uppnå allt som innebär en hälsosam dos av maskininlärningsformer av AI, enligt företaget.
Men vilken typ av ML? Detaljerna är något oklara. I företagets prospekt för börsnotering beskriver Opendoor att använda ML på en unik datauppsättning för hushållsförsäljning för att härleda de prissättningsprognoser som hjälper den att avgöra vilket pris som ska betalas till en husägare:
Vi har gjort över 150 000 hembedömningar under vilka vi samlar in över 100 datapunkter om varje hem och dess omgivning. Våra algoritmer använder denna bas av unika offline -data och använder maskininlärning för att driva prissättningsbeslut genom efterfrågeprognoser, outlier -upptäckt, riskprissättning och lagerhantering.
För att försöka avslöja karaktären hos dessa algoritmer – den hemliga såsen, så att säga – talade ZDNet till företagets chef för datavetenskap, Kushal Chakrabarti, via Zoom. Chakrabarti loggade in på Opendoor för bara ett år sedan, efter att ha tjänstgjort tidigare som rådgivande egenskap.
Chakrabarti kom till maskininlärning via en kretsande väg. För ett decennium sedan, som forskare vid University of California i Berkeley, där han tog sin examen, arbetade Chakrabarti på Human Genome Project, vår tids viktigaste Big Data -applikation. “Jag har arbetat med datavetenskap sedan det hade ett namn”, sade han.
Efter Berkeley hade Chakrabarti många tjänster, både i etablerade företag, till exempel Amazon, där han fungerade som ingenjörsledare och startups som han hjälpte till att skapa, till exempel mikrolåneföretaget Vittana.
I många av dessa fall arbetade han med teknikerna för maskininlärning, till exempel rekommendationssystem på Amazon redan 2005.
Också:
Trots det faktum, “Jag var skeptisk till mycket av det djupa inlärningsarbete som kom ut under de första dagarna”, erinrade Chakrabarti. Till slut kom han fram. “Det är otvivelaktigt vid denna tidpunkt att det är klart bättre på ett antal saker,” sa han.
Deep learning är ett “riktigt, riktigt bra verktyg för att förstå hur många olika bitar av information interagerar med varandra och dramatiskt bättre på att reta ut dessa interaktioner än människor någonsin har varit.”
Problemets omfattning på Opendoor, nämligen att högerstora hela bostadsmarknaden, är en av de stora sakerna som lockade Chakrabarti
“Det finns inte så många biljoner dollar problem där ute”, konstaterade Chakrabarti . “Detta är ett av de mest utmanande problemen jag någonsin stött på.”
” Det finns en djupare mekanism för världen, det finns ett sätt som världen fungerar på, säger Kushal Chakrabarti, chef för datavetenskap på Opendoor. Djupinlärning och andra verktyg handlar “om att avslöja den mekanismen.”
Opendoor
Djup inlärning, sa Chakrabarti, är “ett verktyg vi använder” för att plumba djupet i det biljondollarproblemet.
Det som är svårt med att lösa hemförsäljningsfrågan är problemets art. Den består av många variabler vars ömsesidiga beroenden måste härledas från data.
“Det finns tiotals miljoner hem vi måste tänka på”, förklarade Chakrabarti. Den vanliga missuppfattningen, sa han, är att det är allt “läge, läge, läge” i fastigheter. Det finns faktiskt inte bara en punkt när som helst, det finns en uppsjö.
“Det finns plats, men sedan finns det tre och fyra och fem sovrum, och det finns om utsikten har en nordlig exponering, etc., etc.” förklarade Chakrabarti.
“Om varje hem är unikt, hur säger du egentligen något om det?” blir problemet.
“Allt det vill säga, dessa interaktioner är verkligen, verkligen, komplexa,” sa han. “Det finns hundratals och tusentals och miljoner interaktioner mellan något av dessa hem, och vilken typ av information är relevant eller inte.”
“Det vi i grunden gör är att använda djup inlärning för att bättre förstå vad dessa kopplingar mellan ett hem och ett annat hem kan vara när det gäller vad som kan vara det bästa priset för det,” sa han.
Den hemliga såsen, förmodligen, är just hur man förvandlar det multivariata, kombinatoriska problemet till en algoritm som ger ett pris med tillförsikt.
Om den algoritmen är: “Det är svårt för mig att gå in på detaljerna av skäl som du kan tänka dig kring vår immateriella egendom”, säger Chakrabarti.
Också: AI på sextio sekunder
Den hemliga såsen finns med andra ord kvar en hemlighet, för det mesta. I ett försök att reta ut några detaljer frågade ZDNet vad den “objektiva funktionen” är för det djupa lärande som Opendoor använder. Objektfunktionen, eller förlustfunktionen, som det ibland kallas, refererar till poängen som någon djupinlärningsalgoritm försöker optimera.
Det är givet att upptäcka rätt pris är en del av den objektiva funktionen. Men det är också tänkbart att den objektiva funktionen är något icke-intuitivt, något mindre uppenbart av vilket rätt pris kan vara en biprodukt.
Så, vad är just den objektiva funktionen?
“Det är en bra fråga”, sa Chakrabarti. “Jag misstänker att jag inte kan gå in på det”, sa han och förklarade att återigen är sådan detalj en del av företagets skyddade immateriella rättigheter.
Det Chakrabarti kan beskriva är målet i stort sett hela strävan. Det övergripande målet är att en husägare ska “få ett pris som de litade på”, vilket betyder att de kunde känna sig bekväma var det bästa erbjudandet som kunde erhållas, ett pris “som var vettigt för dem”.
Med tanke på snäva vinstmarginaler skulle man kunna föreställa sig att optimering av spridningen kan vara en del av objektivfunktionen, det vill säga skillnaden mellan Opendoors kostnad för att förvärva ett hem, inklusive ränte- och innehavstidskostnader, och det pris som företaget kan vända för och sälja den.
Opendoor hade ett bruttoresultat som motsvarade bara 13,4% av intäkterna under det senaste kvartalet och “bidragsvinst”, där innehavs- och försäljningskostnader dras av, på bara 10,8%. Därför kan en procentsats eller två spridningar vara en stor skillnad i resultatbilden för Opendoor.
“Det handlar definitivt inte om att maximera spridningen”, sa Chakrabarti med hänvisning till den objektiva funktionen. Men det innebär att förstå hur spridningen kan optimeras, sa han, vilket kan inkludera att minska spridningen.
“Det är precis vad många av de tekniska investeringarna går in i, för att förstå bättre, för att minska avgifterna vi tar ut- som vi har gjort över tid- för att ge ett ännu mer pålitligt pris till hemmet- säljare, “är hur Chakrabarti beskrev det.
“Jag tror att mycket av mitt team fokuserar på, och vad företaget fokuserar på, är hur vi minimerar det så att vi kan nå ut till så många människor över tid”, samtidigt som vi naturligtvis balanserar företagets intressen aktieägare för vinst.
En av de mest utmanande frågorna som Chakrabarti står inför när han hjälper Opendoor är att veta hur man mäter framgång. På en nivå är framsteg en indikator på framgång. Företaget har öppnat verksamheten på 18 nya bostadsmarknader under de senaste fem månaderna, noterade Chakrabarti, så att det nu verkar på totalt 44 marknader, berättade företaget för ZDNet.
Och Opendoor sålde nästan fyra tusen bostäder under det senaste kvartalet, en ökning med 19% jämfört med föregående kvartal, medan det genomsnittliga priset som det fick steg med 35%.
“Beviset ligger i puddingen”, sa Chakrabarti om företagets framsteg. “Vi överträffar marknaden.”
Det är dock inte hela svaret. När Opendoor startar sin verksamhet på en ny marknad måste den kanske spendera ett år på att förfina sina prismodeller. Framgång är inte säker i början, och måste bevisas med tiden.
Dessutom kommer den ultimata utbetalningen för att få djup inlärning inte komma i ett enda kvartals ekonomiska resultat. Istället kommer den att mätas över år, i den totala finansiella avkastningen och aktieägarnas avkastning, i Opendoor.
Därför är utbetalningen verkligen det som är känt inom maskininlärning som en gles belöning, något som skickar en signal tillbaka i tiden och ger mycket smal information om vilka åtgärder som ska vidtas nu.
Hur vet man vad den framtida signalen är som kommer att leda Opendoors handlingar idag?
“Det är en bra fråga, men jag kan inte svara på det,” sa Chakrabarti. “Det är en av de biljoner dollar som vi tänker på”, sa han och tillade, “Det är precis det problemet jag tänker på varje dag.”
“Dessa signaler är viktiga områden för aktivt arbete och aktiv forskning”, tillade Chakrabarti. “Utmaningen med exakt de glesa signalerna i djupinlärning, i maskininlärning, är en fascinerande utmaning.”
Utmaningen med sparsamhet säger Chakrabarti att han är på något viktigt. “Det finns detta citat som Paul Erdős, den berömda matematikern, har”, påminner Chakrabarti, “att problem som är värda att lösa visar sitt värde genom att slå tillbaka.”
“Det här är ett problem som har ett så rikt landskap, det är ett problem du måste tänka på oavbrutet, annars fungerar det bara inte”, sa han. För dem som gillar att besatta sådana värdiga problem som kämpar tillbaka, “skulle detta vara en fantastisk plats att börja arbeta med några av dessa problem”, sa han, menande, på Opendoor.
Gleshet och andra aspekter av djupinlärning har gjort Chakrabarti till något mer än en konvertit. Han tror att han inte bara löser ett visst problem, han står på tröskeln till något mer viktigt.
Det finns en underliggande struktur som avslöjas, sade han, en uppsättning mönster som för Chakrabarti är ett bevis på att “det finns en djupare mekanism för världen, det finns ett sätt världen fungerar.”
“Det handlar bara om att avslöja den mekanismen”, sa han.
Den mekanismen kan fungera till företagets fördel, föreslog han. Opendoors teknik, om den utbildas i hus på en marknad, kan sträcka sig till hus på en annan marknad ganska bra – algoritmerna “generaliserar” för att använda den tekniska termen för maskininlärning. Det beror på, säger Chakrabarti, “det finns mer delad information om vad som händer på en marknad kontra en annan.”
Förklarade Chakrabarti, “Detta är en grundläggande sak i djupinlärning […] Det visar sig att det finns så mycket som är grundläggande för hur människor beter sig, hur priser beter sig, etc., att den delade, underliggande kunskapen är en enormt kraftfull sak som, om du sedan bara justerar med vissa specifika data får du denna enorma acceleration i hur dina algoritmer fungerar. ”
“För mig handlar datavetenskap, operationsforskning, maskininlärning – alla dessa saker, egentligen om konsten och vetenskapen att rekonstruera den mekanismen, med tanke på data och historierna som mekanismen kastar ut”, säger Chakrabarti. “Det är något riktigt vackert med att kunna få en glimt av vad den bakomliggande saken verkligen är.”
Vad är den där glimten?
“Jag tänkte någon gång, ja, det här är det närmaste jag kommer att komma åt Guds sinne”, sa Chakrabarti. “Det är faktiskt en andlig sak för mig.”
se även
Artificiell intelligens i den verkliga världen: Vad kan den egentligen göra ?
Vilka är gränserna för AI? Och hur går du från att hantera datapunkter till att injicera AI i företaget?
Läs mer
Relaterade ämnen:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Enterprise Software 