Opendoor, den syvårige opstart, der blev offentliggjort i december sidste år via fusion med et specielt erhvervsfirma, eller SPAC, mener, at den har den kunstige intelligens-evne til at optimere, hvad der i øjeblikket er en meget rodet opgave med at sælge dit hjem.
Virksomheden vil give dig kontante penge efter at have besvaret et par spørgsmål i appen, så du kan være på vej til at aflæse dit hjem uden at trætte i uger eller måneder med at handle med mæglere og købere. Det handler om at øge likviditeten i boliger og at bringe boligmarkedet online. Markedet er kun 1% “penetreret” for så vidt angår onlinesalg, ifølge virksomheden.
Opnå alt det, der indebærer en sund dosis maskinlæringsformer af AI, ifølge virksomheden.
Men hvilken slags ML? Detaljerne er noget uklare. I virksomhedens prospekt til børsnotering beskriver Opendoor brug af ML på et unikt datasæt for boligsalg til at udlede de prisforudsigelser, der vil hjælpe det med at beslutte, hvilken pris en husejer skal betale:
Vi har foretaget over 150.000 hjemmevurderinger, hvor vi indsamler over 100 datapunkter om hvert hjem og dets omgivelser. Ved hjælp af denne base af unikke offline data bruger vores algoritmer maskinlæring til at drive prisbeslutninger gennem efterspørgselsprognoser, detektering af overskridelser, risikopriser og lagerstyring.
For at forsøge at afdække karakteren af disse algoritmer – den hemmelige sauce, som det var – talte ZDNet til virksomhedens chef for datavidenskab, Kushal Chakrabarti, via Zoom. Chakrabarti loggede på Opendoor for bare et år siden efter at have tjent tidligere som rådgivende.
Chakrabarti kom til maskinindlæring via en kredsløbsbane. For ti år siden, som forsker ved University of California i Berkeley, hvor han fik sin uddannelse, arbejdede Chakrabarti på Human Genome Project, vores tids store quintessential -applikation. “Jeg har arbejdet med datavidenskab siden før det havde et navn,” bemærkede han.
Efter Berkeley havde Chakrabarti adskillige stillinger, både i etablerede virksomheder, såsom Amazon, hvor han fungerede som ingeniørleder, og startups, han hjalp med at oprette, f.eks. Mikrolånevirksomheden Vittana.
I mange af disse tilfælde arbejdede han med teknologierne for maskinlæring, f.eks. anbefalingssystemer hos Amazon tilbage i 2005.
Også:
På trods af denne kendsgerning, “var jeg skeptisk over for meget af det dybe læringsarbejde, der udkom i de tidlige dage,” mindede Chakrabarti. Til sidst kom han rundt. “Det er uden tvivl på dette tidspunkt, at det klart er bedre til en række ting,” sagde han.
Dyb læring er et “rigtig, rigtig godt værktøj til at forstå, hvordan masser af forskellige informationstyper interagerer med hinanden og dramatisk bedre til at drille disse interaktioner ud, end mennesker nogensinde har været.”
Problemets omfang på Opendoor, nemlig højreskala hele boligmarkedet, er en af de store ting, der tiltrak Chakrabarti
“Der er ikke så mange billioner dollars problemer derude,” observerede Chakrabarti . “Dette er et af de mest udfordrende problemer, jeg nogensinde er stødt på.”
” Der er en dybere mekanisme til verden, er der en måde, verden fungerer på, «siger Kushal Chakrabarti, chef for datavidenskab hos Opendoor. Deep learning og andre værktøjer handler “om at afdække denne mekanisme.”
Opendoor
Dyb læring, sagde Chakrabarti, er “et værktøj, vi bruger” til at lægge grunden til det problem med billioner dollar.
Det, der er svært ved at løse spørgsmålet om hjemmesalg, er problemets art. Den består af mange variabler, hvis gensidige afhængigheder skal udledes af data.
“Der er titusinder af hjem, vi skal overveje,” forklarede Chakrabarti. Den almindelige misforståelse, sagde han, er, at det hele er “placering, beliggenhed, beliggenhed” i fast ejendom. Faktisk er der ikke kun et punkt på ethvert tidspunkt, der er en overflod.
“Der er placering, men så er der tre og fire og fem soveværelser, og der er om udsigten har en nordlig eksponering osv. osv.” forklarede Chakrabarti.
“Hvis hvert hjem er unikt, hvordan siger du så noget om det?” bliver problemet.
“Alt dette er at sige, disse interaktioner er virkelig, virkelig, komplekse,” sagde han. “Der er hundreder og tusinder og millioner af interaktioner mellem et af disse hjem, og hvilken slags information er relevant eller ej.”
“Det, vi grundlæggende gør, er at bruge dyb læring til bedre at forstå, hvad disse forbindelser mellem et hjem og et andet hjem kan være med hensyn til, hvad der kan være den bedste pris for det,” sagde han.
Den hemmelige sauce er formodentlig netop, hvordan man kan omdanne det multivariate, kombinatoriske problem til en algoritme, der giver en pris med tillid.
Med hensyn til, hvad denne algoritme er, “Det er svært for mig at komme ind på alle detaljer af grunde, som du kan forestille dig omkring vores intellektuelle ejendomsret,” sagde Chakrabarti.
Også: AI på tres sekunder
Den hemmelige sauce forbliver med andre ord en hemmelighed, for det meste. I et forsøg på at drille nogle detaljer ud, spurgte ZDNet, hvad den “objektive funktion” er for den dybe læring, som Opendoor bruger. Den objektive funktion eller tabsfunktionen, som den undertiden kaldes, refererer til den score, som enhver deep learning -algoritme søger at optimere.
Det er givet, at at finde den rigtige pris er en del af den objektive funktion. Men det kan også tænkes, at den objektive funktion er noget ikke-intuitivt, noget mindre indlysende, hvoraf den rigtige pris kan være et biprodukt.
Så hvad er den objektive funktion?
“Det er et godt spørgsmål,” sagde Chakrabarti. “Jeg formoder, at jeg ikke kan komme ind på det,” sagde han og forklarede, at igen er sådanne detaljer en del af virksomhedens beskyttede intellektuelle ejendomsret.
Hvad Chakrabarti er i stand til at beskrive, er målet i store træk for hele bestræbelsen. Det overordnede mål er, at en husejer “får en pris, som de har tillid til”, hvilket betyder, at de kan føle sig godt tilpas, var den bedste aftale, der kunne opnås, en pris “der gav mening for dem.”
I betragtning af stramme fortjenstmargener ville man forestille sig, at optimering af spændet kunne være en del af den objektive funktion, hvilket vil sige forskellen mellem Opendoors omkostninger ved at erhverve en bolig, herunder renter og beholdningsperiodeomkostninger, og den pris, som virksomheden kan vende om til og sælge det.
Opendoor havde et bruttoresultat svarende til kun 13,4% af omsætningen i det seneste kvartal og “bidragsoverskud”, hvor besiddelses- og salgsomkostninger fratrækkes, på kun 10,8%. Derfor kan en procentdel eller to spredning være en stor forskel i resultatbilledet for Opendoor.
“Det handler bestemt ikke om at maksimere spredningen,” sagde Chakrabarti med henvisning til den objektive funktion. Men det indebærer at forstå, hvordan spredningen kan optimeres, sagde han, hvilket kan omfatte at reducere spredningen.
“Det er præcis, hvad mange af de tekniske investeringer går ind i for at forstå bedre, for at reducere de gebyrer, vi opkræver- som vi har gjort over tid- for at give en endnu mere pålidelig pris til hjemmet- sælgere, “beskrev Chakrabarti det.
“Jeg tror, hvad mange af mit team fokuserer på, og hvad virksomheden fokuserer på, er, hvordan minimerer vi det, så vi kan nå ud til flest mennesker over tid,” mens vi naturligvis afbalancerer virksomhedens interesser aktionærer for fortjeneste.
Et af de mest udfordrende spørgsmål, Chakrabarti står overfor for at hjælpe Opendoor, er at vide, hvordan man måler succes. På et plan er fremskridt en indikator på succes. Virksomheden har åbnet driften på 18 nye boligmarkeder i de sidste fem måneder, bemærkede Chakrabarti, så det nu opererer på i alt 44 markeder, siger virksomheden til ZDNet.
Og Opendoor solgte næsten fire tusinde boliger i det sidste kvartal, en stigning på 19% fra året før, mens den gennemsnitlige pris, den fik, steg med 35%.
“Beviset er i budding,” sagde Chakrabarti om virksomhedens fremgang. “Vi er bedre end markedet.”
Det er dog ikke hele svaret. Når Opendoor starter virksomhed på et nyt marked, skal det måske bruge et år på at forfine sine prismodeller. Succes er ikke sikker i starten, og skal bevises over tid.
Desuden kommer den ultimative gevinst for at få dyb læring ikke i et enkelt kvartals økonomiske resultater. I stedet vil det måles over år i det samlede økonomiske afkast og aktionærernes afkast i Opendoor.
Derfor er udbetalingen virkelig det, der i maskinlæring er kendt som en sparsom belønning, noget der sender et signal tilbage i tiden og giver meget snævre oplysninger om, hvad der skal foretages nu.
Hvordan ved man, hvad det fremtidige signal er, der vil lede Opendoors handlinger i dag?
“Det er et godt spørgsmål, men jeg kan ikke svare på det,” sagde Chakrabarti. “Det er et af de billioner dollar spørgsmål, vi tænker på,” sagde han og tilføjede, “det er præcis det problem, jeg tænker på hver dag.”
“Disse signaler er centrale områder for aktivt arbejde og aktiv forskning,” tilføjede Chakrabarti. “Udfordringen med præcis de sparsomme signaler i dyb læring, i maskinlæring, er en fascinerende udfordring.”
Sparsitetens udfordring fortæller Chakrabarti, at han er på noget vigtigt. “Der er dette citat, som Paul Erdős, den berømte matematiker, har,” mindede Chakrabarti, “om at problemer, der er værd at løse, viser deres værdi ved at kæmpe tilbage.”
“Dette er et problem, der har et så rigt landskab, det er et problem, du skal tænke uafbrudt på, ellers virker det bare ikke,” sagde han. For dem, der kan lide at besætte sådanne værdige problemer, der kæmper tilbage, “ville dette være et fantastisk sted at begynde at arbejde på nogle af disse problemer,” sagde han og sagde på Opendoor.
Sparsity og andre aspekter af dyb læring har gjort Chakrabarti til noget mere end en konvertit. Han mener, at han ikke kun løser et bestemt problem, han står på tærsklen til noget mere vigtigt.
Der er en underliggende struktur, der afsløres, sagde han, et sæt mønstre, der for Chakrabarti er bevis på, at “der er en dybere mekanisme i verden, der er en måde, verden fungerer på.”
“Det handler om at afdække den mekanisme,” sagde han.
Denne mekanisme kan fungere til virksomhedens fordel, foreslog han. Opendoors teknologi, hvis den er uddannet i huse på et marked, kan strække sig godt til huse på et andet marked – algoritmerne “generaliserer” for at bruge det tekniske udtryk i maskinlæring. Det er fordi, sagde Chakrabarti, “der er mere delt information om, hvad der sker på et marked versus et andet.”
Forklarede Chakrabarti, “Dette er en grundlæggende ting i dyb læring […] Det viser sig, at der er så meget, der er grundlæggende for, hvordan mennesker opfører sig, hvordan priserne opfører sig osv., At den delte, underliggende viden er en massivt kraftfuld ting, der, hvis du så bare justerer med nogle specifikke data, får du denne massive acceleration i, hvordan dine algoritmer fungerer. ”
“For mig handler datavidenskab, operationsforskning, maskinlæring – alle disse ting i virkeligheden om kunsten og videnskaben i at rekonstruere denne mekanisme, givet data og historier, som mekanismen smider ud,” sagde Chakrabarti. “Der er noget virkelig smukt ved at kunne få et glimt af, hvad den underliggende ting virkelig er.”
Hvad er det for et glimt?
“Jeg tænkte på et tidspunkt, ja, det er det tætteste, jeg kommer på Guds sind,” sagde Chakrabarti. “Det er faktisk virkelig en åndelig ting for mig.”
se også
Kunstig intelligens i den virkelige verden: Hvad kan den egentlig gøre ?
Hvad er grænserne for AI? Og hvordan går du fra at styre datapunkter til at injicere AI i virksomheden?
Læs mere
Relaterede emner:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Enterprise Software 