سام ستون، مدير المنتجات، التسعير في أوبندور – سلسلة المقابلات

سام شغوف ببناء المنتجات في تقاطع التمويل والتعلم الآلي. وهو حاليًا رئيس المنتجات لمجموعة التسعير في أوبندور، وهي شركة ناشئة في مرحلة متأخرة تستخدم الخوارزميات لشراء وبيع المنازل على الفور، مما يوفر للملاك الوقت والجهد والخوف من وضع منازلهم في السوق والترحيب بالزوار.

ما الذي جذبك في البداية إلى التعلم الآلي وعلوم البيانات؟

بعد التخرج، عملت في شركة خدمات مهنية كبيرة وظفت مئات من خريجي الكليات في نفس الوظيفة الأولية. عندما أصبحت مشاركًا في عملية التوظيف، صُدمت وقلقت من اختلاف الآراء داخل الشركة حول السمات التي تؤدي إلى النجاح. بدا الأمر وكأنه مشكلة مهمة حيث كان هناك نقص في الوضوح. لكنني كنت متحمسًا لأننا لدينا بيانات كافية حول المتقدمين السابقين ونتائج الموظفين الجدد التي لم تتم ربطها أو تحليلها بشكل عميق. لذلك بدأت العمل على ذلك، معاملته كمشكلة إحصائية، باستخدام أدوات أساسية مثل الانحدار الخطي. مع مرور الوقت، نمت المشروع وتطورت إلى شركة ناشئة، وأصبحت الطرق التي استخدمناها أكثر تعقيدًا. على سبيل المثال، أردنا معالجة الصوت والنص غير المهيكل من المقابلات مباشرةً، وهذا أدى بنا إلى تبني نماذج تعلم آلي أكثر قوة مثل الشبكات العصبية.

يمكنك مناقشة نموذج تقييم أوبندور الآلي (OVM)، وكيف يحسب قيمة المنزل المقدرة؟

نموذج تقييم أوبندور (OVM) هو جزء أساسي من عملنا ويغذي العديد من التطبيقات التسعيرية المتدفقة.

في العديد من الجوانب، يتصرف OVM مثل المشتري أو البائع النموذجي – يبحث عبر الحي، بما في ذلك أنواع وأسعار المنازل المباعة حديثًا. ومع ذلك، عندما يتعلق الأمر بتحديد أسعار المنازل، خاصة مع تنوع المنازل في جميع أنحاء الولايات المتحدة، لا يكفي النظر فقط إلى أسعار المبيعات المماثلة. إنه أكثر تعقيدًا من ذلك. نأخذ في الاعتبار مجموعة متنوعة من العوامل، من المساحة المربعة وفراغ الفناء إلى عدد الحمامات وغرف النوم، والتخطيط، والطرقات المزدحمة، والتحديثات، والمزيد. يتم تغذية OVM بمجموعة متنوعة من مصادر البيانات، بما في ذلك معلومات الضرائب العقارية، وتوجهات السوق، بالإضافة إلى العديد من الإشارات المحددة للمنزل والحي. كما نبحث عن التعديلات البشرية السابقة على المنازل لحساب قيمة التعديل المتوسطة. ونحن قادرون على تحسين هذه القيم مع النطاق. مع جمع المزيد من بيانات التعديلات البشرية للسوق، ينمو مجموعة البيانات وتحسن أداء OVM. إنه حلقة تغذية راجعة تتحسن باستمرار مع مرور الوقت.

بالإضافة إلى كونه دقيقًا للغاية، يجب أن يعمل بزمن تأخير منخفض وغطاء عالٍ. هذا يعني أنه كل مرة ندخل سوقًا جديدًا، نحتاج إلى توسيع قدرات OVM لضمان أنه يمكنه خدمة الملاك عبر الأحياء وأنواع المنازل.

ما هي بعض منهجيات التعلم الآلي المختلفة التي يتم استخدامها؟

عندما بدأنا في بناء OVM، اعتمدنا في البداية على نماذج إحصائية خطية لفهم عملية اتخاذ القرارات للمشترين والبائعين. ومع مرور الوقت، تطور OVM وأصبح الآن قائمًا على شبكة عصبية، تحديدًا هيكل يسمى شبكة سياميز. نستخدم هذا لدمج سلوكيات المشترين والبائعين، بما في ذلك اختيار المنازل المماثلة، وتعديلها، ووزنها. هذا أمر حيوي لأننا وجدنا أنه من أجل تحقيق دقة عالية، يجب أن تعكس النماذج هذه الخطوات الرئيسية التي يتبعها المشاركون في السوق في هيكلها.

إحدى الفوائد الكثيرة لاستخدام شبكة عصبية هي أنها تتمتع بالدقة والمرونة لاستهلاك البيانات عبر جميع الأسواق واكتشاف الدقائق المحلية. ونتيجة لذلك، عندما تطلق أوبندور في سوق جديد أو توسع مخزونها في سوق موجود، يمكننا استخدام نفس النموذج، وتجاوز معظم أعمال البنية التحتية الهندسية التي تأتي من إنشاء نموذج إنتاج جديد. بدلاً من ذلك، نُشغل بيانات جديدة من خلال النموذج الحالي، مما يقلل بشكل كبير من الوقت الذي يقضيه مهندسونا في هذه العملية.

هناك أيضًا العديد من منهجيات التعلم الآلي الأخرى التي نستخدمها في أوبندور، بالإضافة إلى الشبكات العصبية. تشمل هذه، على سبيل المثال لا الحصر، أشجار القرار، و تقنيات التجميع، ونظم الترتيب، و خوارزميات التحسين.

تعتمد أوبندور على كميات هائلة من البيانات، من أين يتم جمع هذه البيانات؟

البيانات التي تجدها خوارزمياتنا الأكثر قيمة هي أيضًا البيانات التي يصعب العثور عليها. هذا هو البيانات التي نولدها بأنفسنا أو نطورها من خلال علاقات مملوكة ملكية. نستخدم مزيجًا من البيانات الداخلية وبيانات العقارات من جهات خارجية، بما في ذلك نقاط البيانات من القوائم، مثل تاريخ البيع، وعدد الغرف، والحمامات، والمساحة المربعة، والمزيد. بالإضافة إلى ذلك، ننظر إلى الميزات التي تشير إلى فريدية المنازل، وهي أشياء يمكن أن يوفرها فقط الخبرة البشرية، مثل الإضاءة، وضوضاء الشارع، وجودة الأجهزة، والمواد المُنهية، وغيرها الكثير. نجمع البيانات من المنازل التي هي بالفعل في السوق، بالإضافة إلى المنازل خارج السوق التي شارك أصحابها المعلومات معنا.

يمكنك مناقشة بعض جهود أوبندور لتحسين سرعة وموثوقية البنية التحتية التي تدعم استهلاك البيانات الخام؟

قبل إطلاق أي سوق جديد، نستهلك سنواتًا من البيانات التاريخية. البيانات عالية الجودة حيوية لتدريب الخوارزميات والمشغلين المحليين، لضمان فهمهم للتنوع داخل ذلك السوق. لتحسين السرعة، والجودة، والموثوقية، بنينا أدوات خريطة بيانات مرنة وأدوات لتقدير تغطية حقول البيانات الجديدة تلقائيًا. مع وضع هذه الأدوات في مكانها، يمكننا استهلاك واعتماد كميات كبيرة من بيانات المعاملات العقارية التاريخية في غضون ساعات أو أيام، بدلاً من الأسابيع.

استراتيجية أخرى استثمرنا فيها هي مراقبة جودة البيانات التلقائية والاستباقية. قمنا بإنشاء أنظمة تتحقق من توزيعات البيانات التي نستهلكها ونحولها في كل خطوة من العملية، في الوقت الفعلي. على سبيل المثال، إذا كنا نتوقع أن 20٪ من القوائم الجديدة في سوق معين هي شقق، ثم اليوم 50٪ من القوائم الجديدة مصنفة على أنها شقق، سيؤدي ذلك إلى تنبيه مهندس للتحقيق.

كيف يتم دمج الحكم البشري الخبير مع خوارزميات التعلم الآلي لإنشاء حلقات تغذية راجعة لتحسين الأداء باستمرار؟

خبراؤنا الداخليون في التسعير يلعبون دورًا هامًا في قرارات التسعير، يعملون جنبًا إلى جنب مع الخوارزميات. حيثما تظل هناك نقاط عمياء للآلات، يملأها مشغلو الخبراء، ونعتمد عليهم في مراحل مختلفة. على سبيل المثال، يضيفون أو يؤكدون بيانات الإدخال، مثل جودة مشاريع الترميم某ة. ي اتخذون قرارات متوسطة حول الميزات التي قد تكون صعبة التقييم، كما ي اتخذون قرارات واجهة المستخدم، مثل العروض التي يجب أن نقبلها. العنصر البشري سيكون دائمًا حاسمًا في استراتيجيتنا ونعتقد أن زواج الخبراء والخوارزميات هو الأفضل.

يمكنك تعريف الاختبار العكسي و مناقشة أهميته في أوبندور؟

الاختبار العكسي هو طريقة لتقييم دقة نموذج باستخدام البيانات التاريخية. على سبيل المثال، قد ندرّب نموذج تقييم أوبندور على بيانات من يناير 2015 إلى يناير 2021. في هذا السياق، يعني “الدرّب” أننا نغذي الإدخالات التاريخية، مثل سمات المنزل، والنتائج، مثل أسعار البيع للمنازل، إلى النموذج. وبالمقابل، يتعلم النموذج علاقة بين الإدخالات والنتائج. ثم نأخذ هذا النموذج، الذي يعكس هذه العلاقات الجديدة، ونغذي فيه مجموعة أخرى من البيانات التاريخية، على سبيل المثال من فبراير 2021. لأن البيانات هي تاريخية، نعرف النتائج، ويمكننا قياس مدى اختلافها عن التنبؤات.

هذه العملية مهمة جدًا في أوبندور، وتستخدم لجميع منتجات التعلم الآلي. إنها تقلل من خطر مشكلة تسمى التكيف المفرط، عندما يحدد نموذج التعلم الآلي أنماطًا في البيانات التاريخية التي ليست موجودة في الواقع. على سبيل المثال، الارتباطات الخادعة التي لا تساعد في التنبؤ بالعالم الحقيقي. كما أنها تنقذنا من تشغيل اختبارات أ/ب مكلفة في العالم الحقيقي لمنتجات و استراتيجيات جديدة يمكن إliminationها بناءً على البيانات التاريخية.

هل هناك أي شيء آخر تود مشاركته حول أوبندور؟

نحن نبحث عن موظفين! إذا كنت مهتمًا ببناء مستقبل العقارات، و/أو العمل في تقاطع التكنولوجيا المالية، والتعلم الآلي، والمنتجات الاستهلاكية، يرجى التقدم! لدينا دور مفتوحة عبر الوظائف والمدينة، قم بزيارة صفحة الوظائف هنا.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا أوبندور.