Kushal Chakrabarti, VP Research and Data Science bij Opendoor - Interviewreeks

Kushal Chakrabarti is de vice-president van onderzoek en gegevenswetenschap bij opendeurdagen, een toonaangevend digitaal platform voor residentieel vastgoed.

Wat trok je in eerste instantie aan in machine learning en data science?

Ik heb de wereld altijd in cijfers gezien, maar pas op de universiteit besefte ik dat datawetenschap mijn ware roeping was. En ik kan het moment vrij goed lokaliseren: "Inleiding tot programmeren met MATLAB." Toen ik die 3D-contourplot op het MATLAB-startscherm zag, was "Wacht even ..." Het was als liefde op het eerste gezicht voor mij.

Voor mij komt datawetenschap het dichtst in de buurt van het zien van de 'geest van God'. Ongeacht of je religieus bent of niet, er is duidelijk een onderliggend mechanisme voor hoe de wereld werkt. We hebben niet het voorrecht om het rechtstreeks te zien, maar we kunnen wel de artefacten - gegevens - observeren. En de wetenschap en kunst van het reconstrueren van dat onderliggende mechanisme is datawetenschap.

Kunt u iets vertellen over de evolutie die u in de loop der jaren persoonlijk hebt gezien op het gebied van datawetenschap?

Er zijn twee brede trends die ik heb opgemerkt in mijn bijna twee decennia in het veld.

Ten eerste is er het creëren van subdisciplines. Toen ik hogerop kwam, was er geen onderscheid tussen data-engineering versus beslissingswetenschap versus machine learning. Als je de mooie wiskunde wilde doen, moest je de rest ook doen - er was gewoon geen andere optie. Gezien hoe ver het veld is gekomen, beginnen mensen zich tegenwoordig te specialiseren in subdisciplines. Dat is onvermijdelijk in elk volwassen veld - honderd jaar geleden waren er maar een paar verschillende soorten dokters, maar er zijn er tegenwoordig tientallen.

Ten tweede is er de brede democratisering van het veld. Tegenwoordig bestaat er een groot aantal tools die het veld exponentieel toegankelijker maken voor nieuwkomers. Hoewel ik het zeker op prijs stel dat ik geen C++-code hoef te schrijven voor het voorwaarts-achterwaartse algoritme, is het eigenlijk een tweesnijdend zwaard: veel beoefenaars behandelen die tools tegenwoordig als zwarte dozen en begrijpen niet waarom bepaalde dingen zijn ontworpen om op een bepaalde manier te werken. en hebben daarom moeite met het kiezen van het juiste gereedschap voor de juiste klus.

Wat is je huidige visie op de toekomst van datawetenschap bij Opendoor?

Waar ik elke ochtend wakker van word, is het bouwen van technologie om gewone Amerikanen in de echte wereld te helpen. Het kopen of verkopen van een huis is een van de grootste mijlpalen in iemands leven, en het werk dat we doen helpt mensen in de hele VS om op een eenvoudigere, zekerdere en snellere manier een eigen huis te krijgen.

At opendeurdagen, nemen we elke dag honderden datagestuurde beslissingen. Onze teams gebruiken alles, van causale gevolgtrekkingen tot structurele econometrische modellen tot diepgaand leren die onze geavanceerde prijsmodellen aansturen.

Maar als je onder de motorkap kijkt, zijn er veel heuristieken. Mensen gebruiken heuristieken omdat ze werken, maar heuristieken werken in het midden en falen aan de randen. Als je diep nadenkt over de onderliggende mechanismen van hoe mensen zich gedragen, kun je beginnen met het abstraheren van principiële kaders die die heuristieken strikt generaliseren. Het is mijn visie en hoop dat we die principiële kaders uitbouwen, zodat we voor miljoenen Amerikanen gemakkelijker, beter en sneller eigenwoningbezit kunnen ontsluiten.

Op je LinkedIn-profiel nodig je datawetenschappers uit om met je samen te werken aan het oplossen van een datawetenschapsprobleem van een triljoen dollar dat belangrijk is voor honderd miljoen gewone Amerikanen. Waar let je op bij potentiële sollicitanten?

We zoeken fundamenteel naar mensen met twee onderscheidende eigenschappen: een superkracht om de wereld kwantitatief en systematisch uit te leggen, en het vermogen om pragmatisch terug te werken vanuit de klant.

Ik geloof heilig in het managen van superkrachten. Mijn ervaring is dat de beste datawetenschappers een T-vorm hebben: ze weten weinig van veel en veel van weinig. En in mijn geval veel over heel weinig! We verwachten niet dat mensen alles weten. Wel verwachten we dat mensen ergens uitzonderlijk in zijn. En als je de zaken op de juiste manier opzet, kun je een team samenstellen van mensen met complementaire superkrachten die — samen — magie kunnen laten gebeuren.

Dat is geen cliché. Zoals het citaat van Isaac Asimov luidt: "Elke voldoende geavanceerde technologie is niet te onderscheiden van magie." Onroerend goed is een miljardenindustrie die al tientallen jaren onveranderd is gebleven. We zijn nog maar aan het begin, maar we hebben al de standaard gezet voor de komende jaren. Als we superkrachtige teams aantrekken en onze visie voortzetten, zullen we magie maken.

Bekijk onze openstaande functies hier.

Is er nog iets dat je zou willen delen over Opendoor?

Gezien mijn nogal vreemde achtergrond - computationeel biologisch onderzoek, Amazon-personalisatie, tweevoudig startup-oprichter en adviseur van een tiental andere startups - heb ik waarschijnlijk de binnenkant van 15-20 datawetenschapsorganisaties gezien. Ik kan ondubbelzinnig zeggen dat Opendoor de meest fascinerende technische uitdagingen heeft van alle organisaties die ik heb gezien.

Daaraan gekoppeld is de enorme schaal en impact van wat we doen. Er zijn gewoon niet veel miljardenproblemen in onze wereld. Er zijn er zeker niet veel die in zo'n archaïsche status-quo opereren. In slechts een paar jaar tijd hebben we dat model op zijn kop gezet en laten zien dat er een snellere, eenvoudigere en zekerdere manier is om dingen te doen die het beste van geavanceerde datawetenschap en klantgerichte operaties combineert. Maar we zijn net begonnen. Uitzoeken hoe we nieuwe datasets en datawetenschap van wereldklasse kunnen gebruiken om naar het volgende niveau te komen, is een opwindende technische uitdaging die miljoenen Amerikanen in de Verenigde Staten zal helpen.