Kushal Chakrabarti, Αντιπρόεδρος Έρευνας και Επιστήμης Δεδομένων στην Opendoor – Σειρά Συνεντεύξεων

O Kushal Chakrabarti είναι ο Αντιπρόεδρος Έρευνας και Επιστήμης Δεδομένων στην Opendoor, μια ηγετική ψηφιακή πλατφόρμα για ακίνητα.

Τι σας έκανε να ενδιαφερθείτε αρχικά για τη μηχανική μάθηση και την επιστήμη δεδομένων;

Έχω πάντα δει τον κόσμο με αριθμούς, αλλά δεν ήταν μέχρι το κολέγιο που συνειδητοποίησα ότι η επιστήμη δεδομένων ήταν η αληθινή κλίση μου. Και μπορώ σχεδόν να καθορίσω τη στιγμή: «Εισαγωγή στη Προγραμματισμό με MATLAB». Βλέποντας αυτό το 3D контουρ plot στη οθόνη εκκίνησης του MATLAB ήταν «Περίμενε ένα λεπτό…» Ήταν σαν να ερωτεύτηκα με την πρώτη ματιά.

Για μένα, η επιστήμη δεδομένων είναι το κοντινότερο που θα φτάσω ποτέ στο να δω το «νου του Θεού». Ανεξάρτητα από το αν είστε θρησκευόμενοι ή όχι, υπάρχουν σαφώς κάποια υποκείμενα μηχανισμοί για το πώς λειτουργεί ο κόσμος. Δεν έχουμε το προνόμιο να τα δούμε απευθείας, αλλά μπορούμε να παρατηρήσουμε τα απομεινάρια τους – τα δεδομένα. Και η επιστήμη και η τέχνη της ανακατασκευής αυτού του υποκείμενου μηχανισμού είναι η επιστήμη δεδομένων.

Μπορείτε να συζητήσετε κάποια από την εξέλιξη που έχετε προσωπικά μαρτυρήσει στον τομέα της επιστήμης δεδομένων όλα αυτά τα χρόνια;

Υπήρξαν δύο ευρείες τάσεις που έχω παρατηρήσει στα σχεδόν δύο δεκαετίες μου στον τομέα.

Η πρώτη είναι η δημιουργία υποειδών. Όταν ήμουν νέος, δεν υπήρχε διάκριση μεταξύ μηχανικής δεδομένων, επιστήμης απόφασης και μηχανικής μάθησης. Αν ήθελες να κάνεις τα φανταστικά μαθηματικά, έπρεπε να κάνεις και τα άλλα – δεν υπήρχε άλλη επιλογή. Σήμερα, με το πώς έχει προχωρήσει ο τομέας, οι άνθρωποι αρχίζουν να εξειδικεύονται σε υποειδικά. Αυτό είναι αναπόφευκτο σε κάθε ωριμάζον τομέα – υπήρχαν μόνο quelques διαφορετικά είδη γιατρών πριν από εκατό χρόνια, αλλά σήμερα υπάρχουν δεκάδες.

Η δεύτερη είναι η ευρεία δημοκρατικοποίηση του τομέα. Σήμερα, υπάρχουν πολλά εργαλεία που κάνουν τον τομέα εκθετικά πιο προσιτό σε νέους. Αν και σίγουρα εκτιμώ το γεγονός ότι δεν πρέπει να γράφω κώδικα C++ για το αλγόριθμο forward-backward, είναι ένα διπλό σπαθί: πολλοί praktikoi σήμερα αντιμετωπίζουν αυτά τα εργαλεία ως μαύρες κουβές και δεν κατανοούν γιατί κάποια πράγματα σχεδιάστηκαν για να λειτουργούν με κάποιον τρόπο, και συνεπώς έχουν δυσκολία να επιλέξουν το σωστό εργαλείο για τη σωστή δουλειά.

Τι είναι η τρέχουσα σας όραση για το μέλλον της επιστήμης δεδομένων στην Opendoor;

Αυτό που με ξυπνά κάθε πρωί είναι η κατασκευή τεχνολογίας για να βοηθήσει τους καθημερινούς Αμερικανούς στον πραγματικό κόσμο. Η αγορά ή πώληση ενός σπιτιού είναι ένα από τα μεγαλύτερα ορόσημα στη ζωή ενός ατόμου, και η δουλειά που κάνουμε βοηθά τους ανθρώπους σε όλη τη χώρα να επιτύχουν ιδιοκτησία σε ένα απλούστερο, πιο βέβαιο και ταχύτερο τρόπο.

Στην Opendoor, λαμβάνουμε εκατοντάδες αποφάσεις βασισμένες σε δεδομένα κάθε μέρα. Οι ομάδες μας χρησιμοποιούν όλα, από inference αιτίας έως structural οικονομικά μοντέλα και deep learning που οδηγούν τα state-of-the-art μοντέλα τιμών μας.

Αλλά όταν κοιτάξεις κάτω από το καπό, υπάρχουν πολλά εύρηματα. Οι άνθρωποι χρησιμοποιούν εύρηματα γιατί λειτουργούν, αλλά τα εύρηματα λειτουργούν στο μέσο και αποτυγχάνουν στα άκρα. Όταν σκέφτεσαι βαθιά για τους υποκείμενους μηχανισμούς του πώς συμπεριφέρονται οι άνθρωποι, μπορείς να αρχίσεις να απομακρύνεις principled πλαισιά από αυτά τα εύρηματα. Είναι η όρασή μου και η ελπίδα ότι θα χτίσουμε αυτά τα πλαισιά ώστε να μπορέσουμε να ξεκλειδώσουμε ευκολότερη, καλύτερη και ταχύτερη ιδιοκτησία για εκατομμύρια περισσότερους Αμερικανούς.

Στο προφίλ σας στο LinkedIn, προσκαλείτε επιστήμονες δεδομένων να εργαστούν μαζί σας για να λύσουν ένα τρισεκατομμυριοδολαρικό πρόβλημα επιστήμης δεδομένων που αφορά εκατό εκατομμύρια καθημερινούς Αμερικανούς. Τι ψάχνετε σε πιθανούς υποψήφιους;

Βασικά, ψάχνουμε ανθρώπους με δύο διακριτά χαρακτηριστικά: μια υπερδύναμη να εξηγήσουν το κόσμο ποσοτικά και συστηματικά, και μια ικανότητα να εργαστούν πρακτικά προς τα πίσω από τον πελάτη.

Πιστεύω βαθιά στην διαχείριση υπερδυνάμεων. Σύμφωνα με την εμπειρία μου, οι καλύτεροι επιστήμονες δεδομένων είναι T-σχήματος: γνωρίζουν λίγο για πολλά και πολύ για λίγα. Και στην περίπτωσή μου, πολύ για πολύ λίγα! Δεν περιμένουμε από τους ανθρώπους να γνωρίζουν τα πάντα. Περιμένουμε, ωστόσο, τους ανθρώπους να είναι εξαιρετικοί σε κάτι. Και αν τα ρυθμίσετε σωστά, μπορείτε να συναρμολογήσετε μια ομάδα ανθρώπων με συμπληρωματικές υπερδύναμες που – μαζί – possono να κάνουν μαγική.

Αυτό δεν είναι ένα κλισέ. Όπως λέει η цитата του Isaac Asimov: «Κάθε αρκετά προηγμένη τεχνολογία είναι αδιαχώριστη από τη μαγική». Η ακίνητη περιουσία είναι μια τρισεκατομμυριοδολαρική βιομηχανία που δεν έχει αλλάξει για δεκαετίες. Έχουμε μόνο αρχίσει να σκάβουμε την επιφάνεια, αλλά ήδη έχουμε θέσει το πρότυπο για τα χρόνια που έρχονται. Όσο προχωράμε μπροστά με την όρασή μας και τις υπερδύναμες ομάδες μας, θα κάνουμε μαγική.

Δείτε τις ανοιχτές θέσεις μας εδώ.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με την Opendoor;

Δεδομένου του khá странного μου υπόβαθρου – έρευνα υπολογιστικής βιολογίας, προσωποποίηση του Amazon (AMZN ), δύο φορές ιδρυτής startup και σύμβουλος σε δώδεκα-plus άλλες startups – έχω πιθανώς δει το εσωτερικό 15-20 οργανισμών επιστήμης δεδομένων. Μπορώ να πω ανεπιφύλακτα ότι η Opendoor έχει τα πιο ενδιαφέροντα τεχνικά προκλήματα από οποιοδήποτε οργανισμό που έχω δει.

Συνδυασμένο με αυτό είναι το μέγεθος και η επίδραση αυτού που κάνουμε. Δεν υπάρχουν πολλά τρισεκατομμυριοδολαρικά προβλήματα στον κόσμο μας. Δεν υπάρχουν πολλά που λειτουργούν σε τέτοια αρχαϊκή κατάσταση. Σε λίγα χρόνια, έχουμε ανατρέψει αυτό το μοντέλο και δείξαμε ότι υπάρχει ένας ταχύτερος, απλούστερος και πιο βέβαιος τρόπος να κάνουμε τα πράγματα που συνδυάζει το καλύτερο της προηγμένης επιστήμης δεδομένων και της εστιασμένης στην πελάτη λειτουργίας. Αλλά, μόλις abbiamo αρχίσει. Το να κατανοήσουμε πώς μπορούμε να χρησιμοποιήσουμε νέα σύνολα δεδομένων και παγκόσμιας κλάσης επιστήμη δεδομένων για να φτάσουμε στο επόμενο επίπεδο είναι μια εξιλαδική τεχνική πρόκληση που θα βοηθήσει εκατομμύρια Αμερικανούς σε όλη τη χώρα.