แซม สโตน PM Pricing ที่ Opendoor – ซีรีส์สัมภาษณ์

แซม มีความหลงใหลในการสร้างผลิตภัณฑ์ที่จุดตัดระหว่างการเงินและแมชชีนเลิร์นนิง เขาเป็นหัวหน้าผลิตภัณฑ์สำหรับกลุ่มราคา tại Opendoor ซึ่งเป็นสตาร์ทอัพในระยะหลังที่ใช้อัลกอริทึมในการซื้อและขายบ้านทันที ทำให้เจ้าของบ้านไม่ต้องมีปัญหาและไม่มีความไม่แน่นอนในการขายบ้านและจัดแสดง

สิ่งใดที่ดึงดูดคุณไปสู่แมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูล?

หลังจากเรียนจบมหาวิทยาลัย ฉันทำงานที่บริษัทให้บริการมืออาชีพที่ใหญ่ที่สุด ซึ่งจ้างพนักงานใหม่หลายร้อยคนในตำแหน่งเดียวกัน เมื่อฉันเข้าร่วมในการจ้างงาน ฉันรู้สึกประหลาดใจและเสียใจที่มีความคิดเห็นที่แตกต่างกันอย่างมากเกี่ยวกับคุณลักษณะของพนักงานที่นำไปสู่ความสำเร็จ ดูเหมือนว่าจะเป็นปัญหาที่สำคัญที่ต้องการความชัดเจน แต่ฉันรู้สึกตื่นเต้นที่เรามีข้อมูลมากมายเกี่ยวกับผู้สมัครงานและผลลัพธ์ของพนักงานใหม่ที่ไม่เคยเชื่อมต่อหรือวิเคราะห์อย่างลึกซึ้ง ดังนั้นฉันจึงเริ่มทำงานเกี่ยวกับเรื่องนี้ โดยใช้เครื่องมือพื้นฐาน เช่น การถดถอยเชิงเส้น เมื่อเวลาผ่านไป โครงการนี้เติบโตขึ้นและกลายเป็นสตาร์ทอัพ และวิธีการที่เราใช้กลายเป็นซับซ้อนมากขึ้น ตัวอย่างเช่น เราต้องการประมวลผลเสียงและข้อความที่ไม่มีโครงสร้างจากการสัมภาษณ์โดยตรง และสิ่งนี้นำเราไปสู่การใช้โมเดลแมชชีนเลิร์นนิงที่มีพลังมากขึ้น เช่น โมเดลประสาทเทียม

คุณสามารถพูดคุยเกี่ยวกับโมเดลการประเมินค่าของ Opendoor (OVM) และวิธีการคำนวณค่าประมาณของทรัพย์สินได้หรือไม่?

โมเดลการประเมินค่าของ Opendoor (OVM) เป็นส่วนสำคัญของธุรกิจของเราและเป็นข้อมูลเข้าสำหรับการใช้งานราคาในอนาคต

ในหลายๆ ด้าน OVM มีลักษณะคล้ายกับ покупательหรือผู้ขายทั่วไป – มันตรวจสอบพื้นที่โดยรอบ รวมถึงประเภทและราคาของบ้านที่ขายไปแล้ว อย่างไรก็ตาม เมื่อพูดถึงการกำหนดราคา บ้าน โดยเฉพาะอย่างยิ่งเมื่อพิจารณาจากความหลากหลายของบ้านทั่วสหรัฐอเมริกา ไม่เพียงพอในการดูเฉพาะราคาของบ้านที่ขายไปแล้วเท่านั้น มันซับซ้อนกว่านั้นมาก เราพิจารณาปัจจัยต่างๆ ตั้งแต่พื้นที่ใช้สอยและพื้นที่หลังบ้านไปจนถึงจำนวนห้องน้ำและห้องนอน การวางผังและเสียงรบกวน การปรับปรุงและอื่นๆ OVM ได้รับข้อมูลจากแหล่งข้อมูลต่างๆ รวมถึงข้อมูลภาษีทรัพย์สิน การเคลื่อนไหวของตลาด และสัญญาณเฉพาะบ้านและพื้นที่บ้าน เรายังตรวจสอบการปรับเปลี่ยนของมนุษย์ก่อนหน้านี้ในบ้านเพื่อคำนวณค่าปรับเปลี่ยนเฉลี่ย และเราสามารถปรับปรุงค่าเหล่านี้ได้ด้วยการเพิ่มข้อมูล เมื่อเรารวบรวมข้อมูลการปรับเปลี่ยนของมนุษย์มากขึ้นสำหรับตลาด ข้อมูลจะเติบโตและปรับปรุงประสิทธิภาพของ OVM มันเป็นวงจรที่ปรับปรุงประสิทธิภาพอย่างต่อเนื่อง

นอกจากความแม่นยำแล้ว ยังต้องทำงานด้วยความหน่วงต่ำและครอบคลุมสูง ซึ่งหมายความว่าทุกครั้งที่เราเข้าสู่ตลาดใหม่ เราต้องขยายความสามารถของ OVM เพื่อให้แน่ใจว่าสามารถให้บริการเจ้าของบ้านทั่วทั้งพื้นที่และประเภทบ้าน

มีเทคนิคแมชชีนเลิร์นนิงใดบ้างที่ใช้?

เมื่อเริ่มสร้าง OVM เราใช้แบบจำลองทางสถิติเชิงเส้นเพื่อทำความเข้าใจกระบวนการตัดสินใจของผู้ซื้อและผู้ขาย แต่เมื่อเวลาผ่านไป OVM ได้พัฒนาและตอนนี้ใช้โมเดลประสาทเทียม โดยเฉพาะโครงสร้างที่เรียกว่า Siamese Network เราใช้สิ่งนี้เพื่อฝังพฤติกรรมของผู้ซื้อและผู้ขาย รวมถึงการเลือกบ้านที่เทียบเท่า การปรับเปลี่ยนและน้ำหนักของพวกเขา สิ่งนี้มีความสำคัญเพราะเราได้พบว่าเพื่อให้ได้ความแม่นยำสูง โมเดลจะต้องสะท้อนถึงขั้นตอนสำคัญที่ผู้เข้าร่วมตลาดปฏิบัติตามในโครงสร้าง

หนึ่งในประโยชน์มากมายของการใช้โมเดลประสาทเทียมคือมีความแม่นยำและความยืดหยุ่นในการย่อยข้อมูลทั่วทั้งตลาดและตรวจจับแนวโน้มท้องถิ่นละเอียด เมื่อ Opendoor เปิดตัวในตลาดใหม่หรือขยายสินค้าในตลาดที่มีอยู่แล้ว เราสามารถใช้โมเดลเดียวกัน โดยไม่ต้องมีการทำงานโครงสร้างพื้นฐานด้านวิศวกรรมที่มากเกินไป ซึ่งลดเวลาในการทำงานของวิศวกรของเราอย่างมาก

มีเทคนิคแมชชีนเลิร์นนิงอื่นๆ ที่เรานำมาใช้ที่ Opendoor นอกเหนือจากโมเดลประสาทเทียม เช่น ต้นตัดสินใจ เทคนิคการคลัสเตอร์ ระบบการจัดอันดับ และอัลกอริทึมการเพิ่มประสิทธิภาพ

Opendoor ขึ้นอยู่กับข้อมูลจำนวนมาก มาจากที่ไหน?

ข้อมูลที่อัลกอริทึมของเราพบว่ามีค่ามากที่สุด ก็คือข้อมูลที่ยากที่สุดที่จะพบ นี่คือข้อมูลที่เราผลิตขึ้นเองหรือพัฒนาผ่านความสัมพันธ์ที่เป็นเอกสิทธิ์เฉพาะตัว เราใช้ข้อมูลภายในและข้อมูลอสังหาริมทรัพย์จากบุคคลที่สาม รวมถึงข้อมูลจุดเช่นวันที่ขาย จำนวนห้องนอนและห้องน้ำ พื้นที่ใช้สอย และอื่นๆ นอกจากนี้เรายังดูคุณลักษณะที่บ่งบอกถึงความเป็นเอกลักษณ์ของบ้าน ซึ่งเป็นสิ่งที่ความเชี่ยวชาญของมนุษย์สามารถให้ได้ เช่น แสง สัญญาณเสียง คุณภาพของเครื่องใช้ไฟฟ้าและวัสดุเสร็จสิ้น และอื่นๆ เรารวบรวมข้อมูลจากบ้านที่อยู่ในตลาดแล้วและบ้านที่ไม่ได้อยู่ในตลาดซึ่งเจ้าของได้แบ่งปันข้อมูลกับเรา

คุณสามารถพูดคุยเกี่ยวกับความพยายามของ Opendoor ในการปรับปรุงความเร็วและความน่าเชื่อถือของโครงสร้างพื้นฐานที่ให้พลังงานแก่การดูดข้อมูลดิบได้หรือไม่?

ก่อนที่จะเข้าสู่ตลาดใหม่ เราจะดูดข้อมูลประวัติศาสตร์หลายปี ข้อมูลที่มีคุณภาพสูงมีความสำคัญต่อการฝึกอบรมอัลกอริทึมและผู้ดำเนินการในท้องถิ่นของเราเพื่อให้แน่ใจว่าพวกเขาทราบถึงความแตกต่างภายในตลาดนั้น เพื่อปรับปรุงความเร็ว คุณภาพ และความน่าเชื่อถือ เราได้สร้างเครื่องมือการแมปข้อมูลที่ยืดหยุ่นและเครื่องมือสำหรับการประเมินความครอบคลุมของฟิลด์ข้อมูลใหม่ด้วยเครื่องมือเหล่านี้ เราสามารถดูดและตรวจสอบข้อมูลการทำธุรกรรมอสังหาริมทรัพย์ทางประวัติศาสตร์จำนวนมากได้ภายในเวลาไม่กี่ชั่วโมงหรือวัน แทนที่จะใช้เวลาหลายสัปดาห์

กลยุทธ์อื่นที่เราได้ลงทุนคือการตรวจสอบคุณภาพข้อมูลอัตโนมัติแบบ主动 เราได้ตั้งค่าระบบที่ตรวจสอบการกระจายของข้อมูลที่เรากำลังดูดและแปลงที่แต่ละขั้นตอนของกระบวนการในแบบเรียลไทม์ ตัวอย่างเช่น หากเราคาดหวังว่าในตลาดใดๆ จะมี 20% ของการแสดงรายการใหม่เฉลี่ยเป็นอพาร์ตเมนต์ และวันนี้ 50% ของการแสดงรายการใหม่ถูกจำแนกเป็นอพาร์ตเมนต์ สิ่งนี้จะทำให้เกิดการแจ้งเตือนให้วิศวกรตรวจสอบ

วิธีการรวมการตัดสินใจของมนุษย์ที่มีความเชี่ยวชาญเข้ากับอัลกอริทึมแมชชีนเลิร์นนิงเพื่อสร้างวงจรของการปรับปรุงที่ดีขึ้นอย่างต่อเนื่อง?

ผู้เชี่ยวชาญด้านราคาในบ้านของเรามีบทบาทสำคัญในการตัดสินใจเรื่องราคา โดยทำงานร่วมกับอัลกอริทึมของเรา ที่ใดที่เครื่องจักรยังมีจุดบอด ผู้ดำเนินการของเราจะเติมเต็ม และเรานับถือพวกเขาในหลายๆ ขั้นตอน ตัวอย่างเช่น พวกเขาบวกหรือยืนยันข้อมูลเข้า พวกเขาตัดสินใจเกี่ยวกับคุณลักษณะที่ยากต่อการประเมิน และพวกเขายังตัดสินใจเกี่ยวกับข้อเสนอที่เราควรยอมรับ ส่วนประกอบของมนุษย์จะมีความสำคัญต่อกลยุทธ์ของเราเสมอ และเรามั่นใจว่าการผสมผสานผู้เชี่ยวชาญและอัลกอริทึมเป็นวิธีที่ดีที่สุด

คุณสามารถนิยามการตรวจสอบย้อนหลังและพูดคุยเกี่ยวกับความสำคัญของการตรวจสอบย้อนหลังที่ Opendoor ได้หรือไม่?

การตรวจสอบย้อนหลังคือวิธีการประเมินความแม่นยำของโมเดลโดยใช้ข้อมูลประวัติศาสตร์ ตัวอย่างเช่น เราอาจฝึกโมเดลการประเมินค่าของ Opendoor ด้วยข้อมูลตั้งแต่เดือนมกราคม 2015 ถึงเดือนมกราคม 2021 “ฝึก” ในที่นี้หมายถึงการให้ข้อมูลเข้าประวัติศาสตร์ เช่น คุณลักษณะบ้านและราคาที่ขายไปแล้ว และโมเดลจะเรียนรู้ความสัมพันธ์ระหว่างข้อมูลเข้าและผลลัพธ์ จากนั้นเราจะนำโมเดลนี้ไปใช้กับข้อมูลประวัติศาสตร์อื่น เช่น ข้อมูลตั้งแต่เดือนกุมภาพันธ์ 2021 เนื่องจากข้อมูลเป็นข้อมูลประวัติศาสตร์ เราจึงรู้ผลลัพธ์และสามารถวัดความแตกต่างระหว่างการคาดการณ์และผลลัพธ์ที่แท้จริงได้

กระบวนการนี้มีความสำคัญมากที่ Opendoor และใช้กับผลิตภัณฑ์แมชชีนเลิร์นนิงทั้งหมดของเรา มันลดความเสี่ยงของปัญหาเรียกว่า overfitting ซึ่งเป็นเมื่อโมเดลแมชชีนเลิร์นนิงระบุปัญหาในข้อมูลประวัติศาสตร์ที่ไม่มีอยู่จริง เช่น สหสัมพันธ์ที่ไม่มีประโยชน์ต่อการคาดการณ์โลกแห่งความเป็นจริง นอกจากนี้ยังช่วยเราหลีกเลี่ยงการทดสอบ A/B ในโลกแห่งความเป็นจริงที่มีค่าใช้จ่ายสูงสำหรับผลิตภัณฑ์และกลยุทธ์ใหม่ที่สามารถกำจัดได้โดยใช้ข้อมูลประวัติศาสตร์

มีอะไรอีกบ้างที่คุณต้องการแบ่งปันเกี่ยวกับ Opendoor?

เรากำลังหาคน! หากคุณสนใจที่จะสร้างอนาคตของอสังหาริมทรัพย์ และ/หรือทำงานที่จุดตัดระหว่างฟินเทค แมชชีนเลิร์นนิง และผลิตภัณฑ์ผู้บริโภค กรุณาสมัคร! เรามีตำแหน่งว่างทั่วทั้งฟังก์ชันและเมือง ตรวจสอบหน้างานของเราที่นี่

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Opendoor