Sam Stone, PM, Pricing at Opendoor – Wywiad z serii

Sam jest pasjonatem budowania produktów na styku finansów i sztucznej inteligencji. Obecnie jest szefem produktu ds. cen w firmie Opendoor, startupie w fazie późnej, który wykorzystuje algorytmy do kupowania i sprzedaży domów w sposób natychmiastowy, co pozwala uniknąć właścicielom domów kłopotów i niepewności związanych z wystawieniem domu na sprzedaż i organizowaniem pokazów.

Czym było to, co pierwotnie przyciągnęło Cię do sztucznej inteligencji i nauki o danych?

Po ukończeniu studiów pracowałem w dużej firmie świadczącej usługi profesjonalne, która zatrudniała setki absolwentów na te same stanowiska początkowe. Gdy zaangażowałem się w proces rekrutacji, byłam zdumiony i zaniepokojony tym, jak bardzo opinie ludzi w firmie różniły się co do cech kandydatów, które przyczyniają się do sukcesu. Wydawało mi się to bardzo ważnym problemem, w którym brakowało klarowności. Ale byłem podekscytowany tym, że mieliśmy wiele danych na temat poprzednich kandydatów i wyników nowych pracowników, które nigdy nie były połączone ani głęboko przeanalizowane. Zacząłem więc pracować nad tym, traktując to jako problem statystyczny, wykorzystując podstawowe narzędzia, takie jak regresja liniowa. Z czasem projekt ten rozwinął się w startup, a metody, których używaliśmy, stały się bardziej zaawansowane. Na przykład chcieliśmy przetwarzać niestrukturyzowane dane audio i tekstowe z wywiadów bezpośrednio, co doprowadziło nas do przyjęcia bardziej potężnych modeli sztucznej inteligencji, takich jak sieci neuronowe.

Czy mógłbyś omówić model wyceny Opendoor (OVM) i jak on oblicza szacowaną wartość nieruchomości?

Model wyceny Opendoor (OVM) jest kluczowym elementem naszego biznesu i jest wykorzystywany w wielu zastosowaniach cenowych.

W wielu ways OVM zachowuje się jak typowy kupujący lub sprzedający – patrzy na okolicę, w tym na rodzaj i ceny niedawno sprzedanych domów. Jednak przy ustalaniu cen domów, zwłaszcza biorąc pod uwagę różnorodność domów w całych Stanach Zjednoczonych, nie wystarczy tylko patrzeć na ceny podobnych sprzedaży. Jest to o wiele bardziej złożone. Bierzemy pod uwagę wiele czynników, od powierzchni i miejsca na podwórku po liczbę łazienek i sypialni, układ, hałas z ruchu, ulepszenia i wiele innych. OVM jest zasilany przez wiele źródeł danych, w tym informacje o podatkach od nieruchomości, trendy rynkowe, a także wiele sygnałów specyficznych dla domu i okolicy. Szukamy również poprzednich dostosowań dokonanych przez ludzi, aby obliczyć średnią wartość dostosowania. I możemy udoskonalać te wartości wraz ze skalą. Im więcej danych o dostosowaniach rynkowych zbieramy, tym lepsze staje się OVM. Jest to pętla sprzężenia zwrotnego, która ciągle poprawia wyniki w czasie.

Ponadto, musi on działać z niską latencją i wysokim zasięgiem. Oznacza to, że każdego razu, gdy wchodzimy na nowy rynek, musimy rozbudować możliwości OVM, aby zagwarantować, że może on obsługiwać właścicieli domów w różnych dzielnicach i typach domów.

Jakie są różne metody sztucznej inteligencji wykorzystywane w Opendoor?

Gdy po raz pierwszy zaczęliśmy budować OVM, opieraliśmy się głównie na liniowych modelach statystycznych, aby lepiej zrozumieć procesy decyzyjne naszych kupujących i sprzedających. Ale z czasem OVM rozwinął się i jest obecnie oparty na sieci neuronowej, a konkretnie na architekturze sieci Siamese. Używamy jej do uwzględnienia zachowań kupujących i sprzedających, w tym wyboru podobnych domów, dostosowań i wag. Jest to niezwykle ważne, ponieważ stwierdziliśmy, że aby osiągnąć wysoką dokładność, modele muszą odzwierciedlać te kluczowe kroki, które uczestnicy rynku wykonują w swojej architekturze.

Jednym z wielu korzyści z wykorzystania sieci neuronowej jest to, że ma ona precyzję i elastyczność, aby przetwarzać dane we wszystkich rynkach i wykrywać drobne, lokalne niuanse. W efekcie, gdy Opendoor wchodzi na nowy rynek lub rozszerza swoją ofertę na istniejącym rynku, możemy użyć tego samego modelu, omijając wiele pracy inżynierskiej związanej z wdrożeniem nowego modelu produkcyjnego. Zamiast tego, przepuszczamy nowe dane przez istniejący model, co znacznie redukuje czas, jaki nasi inżynierowie spędzają na tym procesie.

Istnieją również wiele innych metod sztucznej inteligencji, które wykorzystujemy w Opendoor, poza sieciami neuronowymi. Obejmuje to, ale nie ogranicza się do, drzew decyzyjnych, technik grupowania, systemów rankingowych i algorytmów optymalizacji.

Opendoor opiera się na ogromnych ilościach danych, skąd pochodzą te dane?

Dane, które nasze algorytmy uznają za najcenniejsze, są często również danymi, które są najtrudniejsze do znalezienia. Są to dane, które generujemy sami lub rozwijamy za pomocą relacji własnościowych. Używamy kombinacji danych wewnętrznych i zewnętrznych danych z rynku nieruchomości, w tym punktów danych z ofert, takich jak data sprzedaży, liczba sypialni i łazienek, powierzchnia i wiele innych. Dodatkowo, patrzymy na cechy, które wskazują na unikalność domów, które są rzeczami, które tylko ludzka ekspertyza może dostarczyć, takimi jak oświetlenie, hałas uliczny, jakość urządzeń i wykończeń, i wiele innych. Zbieramy dane z domów, które są już na rynku, a także z domów poza rynkiem, gdzie właściciele udostępnili nam informacje.

Czy mógłbyś omówić niektóre z wysiłków Opendoor, aby poprawić szybkość i niezawodność infrastruktury, która zasilą nasze surowe dane?

Przed każdym nowym uruchomieniem rynku, pobieramy wiele lat danych historycznych. Dane wysokiej jakości są niezbędne do szkolenia naszych algorytmów i lokalnych operatorów, aby upewnić się, że rozumieją one wahania na tym rynku. Aby poprawić szybkość, jakość i niezawodność, zbudowaliśmy elastyczne narzędzia do mapowania danych i automatycznego oceniania pokrycia nowych pól danych. Z tymi narzędziami, jesteśmy w stanie pobrać i zwalidować duże ilości danych transakcji nieruchomości w ciągu kilku godzin lub dni, zamiast tygodni.

Inną strategią, w którą zainwestowaliśmy, jest proaktywne, automatyczne monitorowanie jakości danych. Ustawiliśmy systemy, które sprawdzają rozkład danych, które pobieramy i przekształcamy na każdym etapie procesu, w czasie rzeczywistym. Na przykład, jeśli oczekujemy, że na danym rynku 20% nowych ofert to mieszkania, a tego dnia 50% nowych ofert jest sklasyfikowanych jako mieszkania, to wyzwala to alert dla inżyniera do zbadania.

Jak ludzka ocena jest połączona z algorytmami sztucznej inteligencji, aby stworzyć pętle sprzężenia zwrotnego ciągle poprawiającej się wydajności?

Nasi wewnętrzni eksperci ds. cen odgrywają ogromną rolę w naszych decyzjach dotyczących cen, pracując w tandemie z naszymi algorytmami. Tam, gdzie maszyny mają jeszcze słabości, nasi operatorzy wypełniają te luki, i polegamy na nich na różnych etapach. Na przykład, dodają lub weryfikują dane wejściowe, takie jak jakość pewnych projektów remontowych. Podejmują decyzje pośrednie dotyczące cech, które mogą być trudne do wyceny, i podejmują decyzje zorientowane na użytkownika, takie jak które oferty powinniśmy zaakceptować. Element ludzki zawsze będzie kluczowy dla naszej strategii, i wierzymy, że połączenie ekspertów i algorytmów jest najlepsze.

Czy mógłbyś zdefiniować testy retrospektywne i omówić ich znaczenie w Opendoor?

Testy retrospektywne są sposobem oceny dokładności modelu przy użyciu danych historycznych. Na przykład, możemy przeszkolić model wyceny Opendoor na danych z stycznia 2015 do stycznia 2021. W tym kontekście “przeszkolenie” oznacza, że dostarczamy historyczne dane wejściowe, takie jak atrybuty domu, i wyniki, takie jak ceny sprzedanych domów, do modelu. A następnie model uczy się relacji między danymi wejściowymi a wynikami. Następnie bierzemy ten model, który odzwierciedla te nowo nauczone relacje, i dostarczamy do niego inny zestaw danych historycznych, na przykład z lutego 2021. Ponieważ dane są historyczne, wiemy, jakie są wyniki, i możemy zmierzyć, jak bardzo one odbiegają od prognoz.

Proces ten jest bardzo ważny w Opendoor i jest stosowany we wszystkich naszych produktach sztucznej inteligencji. Redukuje on ryzyko problemu zwanego nadmierną dopasowalnością, który występuje, gdy model sztucznej inteligencji identyfikuje wzorce w danych historycznych, które nie są rzeczywiście tam. Na przykład, przypadkowe korelacje, które nie pomagają w rzeczywistych prognozach. Ponadto, oszczędza nas przed prowadzeniem kosztownych testów A/B w świecie rzeczywistym nowych produktów i strategii, które mogą być wyeliminowane na podstawie danych historycznych.

Czy jest coś jeszcze, co chciałbyś podzielić się na temat Opendoor?

Rekrutujemy! Jeśli jesteś zainteresowany budowaniem przyszłości rynku nieruchomości i/lub pracą na styku fintech, sztucznej inteligencji i produktów konsumenckich, aplikuj! Mamy otwarte stanowiska we wszystkich funkcjach i miastach. Zobacz naszą stronę z ofertami pracy tutaj.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Opendoor.