Connect with us

Deutsch

Opendoor diskutiert die geheime Sauce: “Ein tieferer Mechanismus zur Welt”

Published

on

Opendoor, das sieben Jahre alte Startup, das im Februar durch Fusion mit einer Zweckgesellschaft (SPAC) an die Börse ging, glaubt, dass es über die Fähigkeit der künstlichen Intelligenz verfügt, die derzeit sehr schwierige Aufgabe des Immobilienverkaufs zu optimieren.

Das Unternehmen gibt Ihnen nach Beantwortung einiger Fragen in der App Bargeld, damit Sie sich auf den Weg zum Entladen Ihres Hauses machen können, ohne sich wochen- oder monatelang mit Maklern und Käufern zu beschäftigen. Es geht darum, die Liquidität von Eigenheimen zu erhöhen und den Wohnimmobilienmarkt online zu stellen. Der Markt sei beim Online-Verkauf nur zu 1% “durchdrungen”, so das Unternehmen.

Um all dies zu erreichen, ist laut dem Unternehmen eine gesunde Dosis maschineller Lernformen der KI erforderlich.

Aber was für ein ML? Die Details sind etwas undeutlich. Im Prospekt des Unternehmens für den Börsengang beschreibt Opendoor die Verwendung von ML anhand eines einzigartigen Datensatzes von Hausverkäufen, um die Preisvorhersagen abzuleiten, die bei der Entscheidung helfen, welchen Preis einem Hausbesitzer zu zahlen ist:

Wir haben über 150.000 Hausbewertungen durchgeführt, bei denen wir über 100 Datenpunkte zu jedem Haus und seiner Umgebung sammeln. Unsere Algorithmen nutzen diese Basis einzigartiger Offline-Daten und nutzen maschinelles Lernen, um Preisentscheidungen durch Nachfrageprognosen, Ausreißererkennung, Risikopreisgestaltung und Bestandsverwaltung zu treffen.

Um zu versuchen, die Natur dieser Algorithmen aufzudecken – sozusagen die geheime Sauce – ZDNet sprach über Zoom mit dem Head of Data Science des Unternehmens, Kushal Chakrabarti. Chakrabarti hat sich erst vor einem Jahr bei Opendoor angemeldet, nachdem er zuvor in beratender Funktion tätig war.

Chakrabarti kam über einen Umweg zum maschinellen Lernen. Vor einem Jahrzehnt arbeitete Chakrabarti als Forscher an der University of California in Berkeley, wo er seinen Abschluss machte, am Human Genome Project, der Quintessenz der Big-Data-Anwendung unserer Zeit. „Ich habe an Datenwissenschaft gearbeitet, bevor es einen Namen hatte“, bemerkte er.

Nach Berkeley hatte Chakrabarti zahlreiche Positionen, sowohl in etablierten Unternehmen wie Amazon, wo er als technischer Leiter fungierte, als auch in Start-ups, die er mitaufbaute, wie dem Mikrokreditunternehmen Vittana.

In vielen dieser Fälle arbeitete er mit den Technologien des maschinellen Lernens, wie beispielsweise im Jahr 2005 mit Empfehlungssystemen bei Amazon.

Ebenfalls: Das KI-Team von Amazon AWS sucht das Tiefgründige in der Industrie

Trotz dieser Tatsache “war ich ein großer Skeptiker gegenüber vielen Deep-Learning-Arbeiten, die in diesen frühen Tagen herauskamen”, erinnert sich Chakrabarti. Schließlich kam er herum. “Es steht derzeit außer Frage, dass es in einer Reihe von Dingen eindeutig besser ist”, sagte er.

Deep Learning ist ein “wirklich, wirklich gutes Werkzeug, um zu verstehen, wie viele verschiedene Informationen miteinander interagieren, und diese Interaktionen dramatisch besser herauszukitzeln als Menschen je zuvor.”

Das Ausmaß des Problems bei Opendoor, nämlich die Anpassung des gesamten Wohnungsmarktes, ist eines der großen Dinge, die Chakrabarti . angezogen haben

“Es gibt nicht so viele Billionen-Dollar-Probleme da draußen”, bemerkte Chakrabarti. “Dies ist eines der schwierigsten Probleme, denen ich je begegnet bin.”

„Die Welt hat einen tieferen Mechanismus, die Welt funktioniert auch“, sagt Kushal Chakrabarti, Head of Data Science bei Opendoor. Bei Deep Learning und anderen Tools geht es “alles darum, diesen Mechanismus aufzudecken”.

Offene Tür

Deep Learning, so Chakrabarti, sei „ein Werkzeug, das wir verwenden“, um die Tiefen dieses Billionen-Dollar-Problems auszuloten.

Das Schwierige an der Lösung der Frage des Eigenheimverkaufs ist die Natur des Problems. Es besteht aus zahlreichen Variablen, deren gegenseitige Abhängigkeiten aus Daten abgeleitet werden müssen.

“Wir müssen zig Millionen Häuser berücksichtigen”, erklärte Chakrabarti. Der weit verbreitete Irrtum, sagte er, sei, dass es bei Immobilien nur um “Standort, Standort, Standort” gehe. Tatsächlich gibt es nicht nur einen Zeitpunkt, sondern eine Fülle.

“Es gibt eine Lage, aber dann gibt es drei und vier und fünf Schlafzimmer, und ob die Aussicht nach Norden ausgerichtet ist usw. usw.” erklärte Chakrabarti.

“Wenn jedes Zuhause einzigartig ist, wie sagt man dann wirklich etwas darüber?” wird zum Problem.

„All dies bedeutet, dass diese Interaktionen wirklich, wirklich komplex sind“, sagte er. “Es gibt Hunderte und Tausende und Millionen von Interaktionen zwischen jedem dieser Häuser und welche Arten von Informationen relevant sind oder nicht.”

„Was wir grundsätzlich tun, ist Deep Learning zu nutzen, um besser zu verstehen, was diese Verbindungen zwischen einem Haus und einem anderen Haus im Hinblick auf den besten Preis dafür sein könnten“, sagte er.

Die geheime Sauce besteht vermutlich genau darin, wie man dieses multivariate, kombinatorische Problem in einen Algorithmus umwandelt, der mit Zuversicht einen Preis liefert.

Was dieser Algorithmus ist: “Es ist schwer für mich, aus Gründen, die Sie sich im Zusammenhang mit unserem geistigen Eigentum vorstellen können, in die Details einzudringen”, sagte Chakrabarti.

Ebenfalls: KI in sechzig Sekunden

Die geheime Soße bleibt also zum größten Teil geheim. Um einige Details herauszuarbeiten, ZDNet gefragt, was die “objektive Funktion” für das Deep Learning ist, das Opendoor verwendet. Die Zielfunktion oder Verlustfunktion, wie sie manchmal genannt wird, bezieht sich auf die Punktzahl, die jeder Deep-Learning-Algorithmus zu optimieren versucht.

Es liegt auf der Hand, dass die Ermittlung des richtigen Preises Teil der Zielfunktion ist. Es ist aber auch denkbar, dass die objektive Funktion etwas Nicht-Intuitives ist, etwas weniger Offensichtliches, bei dem der richtige Preis ein Nebenprodukt sein könnte.

Also, was ist diese objektive Funktion?

“Das ist eine großartige Frage”, sagte Chakrabarti. “Ich vermute, dass ich darauf nicht eingehen kann”, sagte er und erklärte, dass solche Details wiederum zum geschützten geistigen Eigentum des Unternehmens gehören.

Was Chakrabarti beschreiben kann, ist im Großen und Ganzen das Ziel des gesamten Unterfangens. Das übergeordnete Ziel für einen Hausbesitzer ist es, “einen Preis zu erhalten, dem er vertraut hat”, d.

Angesichts knapper Gewinnmargen könnte man sich vorstellen, dass die Optimierung des Spreads ein Teil der Zielfunktion sein könnte, d und verkaufe es.

Opendoor erzielte im letzten Quartal einen Bruttogewinn von nur 13,4% des Umsatzes und einen “Beitragsgewinn”, von dem die Halte- und Verkaufskosten abgezogen werden, von nur 10,8%. Daher können ein oder zwei Prozent Spreads einen großen Unterschied im Gewinnbild von Opendoor ausmachen.

“Es geht definitiv nicht darum, die Verbreitung zu maximieren”, sagte Chakrabarti mit Blick auf die Zielfunktion. Es geht jedoch darum zu verstehen, wie die Verbreitung optimiert werden kann, sagte er, was Folgendes umfassen könnte: reduzierend die Verbreitung.

„Genau in das fließen viele der technischen Investitionen, um besser zu verstehen, um die Gebühren zu senken, die wir erheben – wie wir es im Laufe der Zeit getan haben – um Hausverkäufern einen noch vertrauenswürdigeren Preis zu bieten“, beschrieb Chakrabarti es.

“Ich denke, ein Großteil meines Teams und das Unternehmen konzentriert sich darauf, wie wir das minimieren, damit wir im Laufe der Zeit die meisten Menschen erreichen können”, während wir natürlich die Interessen des Unternehmens abwägen Aktionäre für Gewinn.

Eine der schwierigsten Fragen, mit denen Chakrabarti bei der Unterstützung von Opendoor konfrontiert ist, besteht darin, den Erfolg zu messen. Auf einer Ebene ist der Fortschritt ein Indikator für Erfolg. Das Unternehmen habe in den letzten fünf Monaten 18 neue Wohnimmobilienmärkte eröffnet, so Chakrabarti, so dass es nun in insgesamt 39 Märkten tätig sei.

Und Opendoor verkaufte im letzten Quartal fast viertausend Häuser, 19% mehr als im Vorjahresquartal, während der durchschnittliche Preis um 35% stieg.

“Der Beweis liegt im Pudding”, sagte Chakrabarti über die Fortschritte des Unternehmens. “Wir übertreffen den Markt.”

Das ist jedoch nicht die ganze Antwort. Wenn Opendoor in einem neuen Markt Geschäfte macht, muss es vielleicht ein Jahr damit verbringen, seine Preismodelle zu verfeinern. Der Erfolg steht nicht von vornherein fest und muss im Laufe der Zeit nachgewiesen werden.

Darüber hinaus wird sich der ultimative Gewinn für das richtige Deep Learning nicht in den Finanzergebnissen eines einzigen Quartals niederschlagen. Stattdessen wird es über Jahre hinweg an den finanziellen Gesamterträgen und den Aktionärsrenditen von Opendoor gemessen.

Daher ist die Auszahlung wirklich das, was im maschinellen Lernen als spärliche Belohnung bekannt ist, etwas, das ein Signal in die Vergangenheit sendet und sehr enge Informationen darüber liefert, welche Maßnahmen jetzt zu ergreifen sind.

Woher weiß man, was das zukünftige Signal ist, das die Aktionen von Opendoor heute leiten wird?

“Das ist eine großartige Frage, aber ich kann sie nicht beantworten”, sagte Chakrabarti. “Das ist eine der Billionen-Dollar-Fragen, über die wir nachdenken”, sagte er und fügte hinzu: “Das ist genau das Problem, an das ich jeden Tag denke.”

“Diese Signale sind Schlüsselbereiche aktiver Arbeit und aktiver Forschung”, fügte Chakrabarti hinzu. „Die Herausforderung genau der spärlichen Signale beim Deep Learning, beim Machine Learning, ist eine faszinierende Herausforderung.“

Die Herausforderung der Sparsamkeit sagt Chakrabarti, dass er etwas Wichtiges auf der Spur hat. “Es gibt dieses Zitat von Paul Erdős, dem berühmten Mathematiker”, erinnerte sich Chakrabarti, “dass Probleme, die es wert sind, gelöst zu werden, ihren Wert zeigen, indem sie sich wehren.”

“Das ist ein Problem, das eine so reiche Landschaft hat, es ist ein Problem, über das man unaufhörlich nachdenken muss, sonst funktioniert es einfach nicht”, sagte er. Für diejenigen, die sich gerne mit solch wertvollen Problemen beschäftigen, die sich wehren, “wäre dies ein großartiger Ort, um an einigen dieser Probleme zu arbeiten”, sagte er bei Opendoor.

Sparsity und andere Aspekte des Deep Learning haben Chakrabarti zu etwas mehr als einem Konvertiten gemacht. Er glaubt, nicht nur ein bestimmtes Problem zu lösen, sondern steht an der Schwelle zu etwas Bedeutenderem.

Es wird eine zugrundeliegende Struktur enthüllt, sagte er, eine Reihe von Mustern, die für Chakrabarti der Beweis dafür sind, dass “die Welt einen tieferen Mechanismus hat, es gibt eine Art und Weise, wie die Welt funktioniert”.

“Es geht darum, diesen Mechanismus aufzudecken”, sagte er.

Dieser Mechanismus kann zum Vorteil des Unternehmens funktionieren, schlug er vor. Die Technologie von Opendoor kann, wenn sie an Häusern in einem Markt trainiert wird, ziemlich gut auf Häuser in einem anderen Markt ausgeweitet werden – die Algorithmen „verallgemeinern“, um den Fachbegriff im maschinellen Lernen zu verwenden. Das liegt daran, sagte Chakrabarti, “es gibt mehr Informationen darüber, was in einem Markt passiert als in einem anderen.”

Chakrabarti erklärte: „Dies ist eine grundlegende Sache beim Deep Learning […] Es stellt sich heraus, dass es so viel Grundlegendes für das Verhalten von Menschen, das Verhalten der Preise usw. gibt, dass das geteilte, zugrunde liegende Wissen eine enorm mächtige Sache ist, die Sie, wenn Sie dann nur mit einigen spezifischen Daten optimieren, diese massive Beschleunigung erhalten in der Leistung Ihrer Algorithmen.”

„Für mich geht es bei Data Science, Operations Research, Machine Learning – bei all diesen Dingen wirklich um die Kunst und Wissenschaft, diesen Mechanismus zu rekonstruieren, angesichts der Daten und der Geschichten, die dieser Mechanismus auslöst“, sagte Chakrabarti. “Es ist etwas wirklich Schönes, einen Einblick in das zu bekommen, was das zugrunde liegende Ding wirklich ist.”

Was ist das für ein Einblick?

“Irgendwann dachte ich, nun, das ist das nächste, was ich dem Geist Gottes erreichen werde”, sagte Chakrabarti. “Für mich ist es wirklich eine spirituelle Sache.”

Continue Reading

Copyright © 2021 Meta Mag Inc.