Yapay Zekâ
Ian Wong, Opendoor’un Kurucu Ortağı ve CTO’su – Röportaj Serisi
Opendoor’un arkasındaki kavramı özetleyebilir misiniz ve nasıl Zillow gibi rakiplerden farklıdır?
Opendoor insanların ev satın almasına, satmasına ve takas etmesine basit ve rahat bir yol sağlar. Parçalı ve esnek olmayan bir gayrimenkul modelini sonuna kadar dijital ve talebe bağlı bir deneyime dönüştürüyoruz. “İbuying”in öncüsü olarak Opendoor, bugüne kadar 70.000’den fazla müşteriye hizmet verdi ve 21 ABD pazarına genişledi.
Opendoor, ilk ve üçüncü taraf verileri kullanarak bir özgün değerleme modeli ile birlikte makine öğrenimi, AI ve insan incelemesi kullanarak evler için neredeyse anında adil piyasa değerleri sağlayabilir. Opendoor uygulamasında sadece birkaç dokunuşla satıcılar, 24 saat içinde Opendoor’dan bir teklif alabilir. Opendoor’a satış yapmak daha fazla seçim ve güvence sağlar, ev sahipleri taşınma tarihlerini seçebilir ve ev gösterimleri ve onarımların stres ve zahmetinden kaçınabilir.
Ek olarak, ev işlemlerindeki diğer ağrı noktalarını çözmeye başlamamızın yanı sıra, ev alımı sürecini yeniden hayal eden yeni bir ürünün lansmanıyla, bir ev kredisi işinin lansmanıyla ve bir unvan ve escrow şirketinin satın alınmasının ardından, amacımız taşınmayı sorunsuz, talebe bağlı ve stresiz hale getirmektir.
Sizi Opendoor’a neler çekti?
Gayrimenkul işlemlerini yeniden hayal etme ve insanların en büyük varlıklarıyla olan ilişkilerini yeniden tanımlama şansına sahibiz. Bir yük olarak değil de, ev sahiplerinin evlerinden sağlanan likiditeye nasıl banka hesaplarından çekilebileceğimiz gibi erişebileceklerini düşünün. Alıcılar ve satıcılar aylarca süren stres ve belirsizliği atlayabilir ve hayatlarının sonraki bölümüne daha emin adımlarla ilerleyebilir mi? Coğrafi hareketliliği ve finansal özgürlüğü sağlama vizyonu çok heyecan verici ve bu yolculuğun başlangıcındayız gibi hissediyoruz.
Opendoor büyük bir tarihsel piyasa işlemleri koleksiyonunu analiz ediyor. Hangi veri noktalarını topluyorsunuz?
Gerekli düzeyde ayrıntı ile doğru gayrimenkul verilerine ulaşmak kolay değil. Tarihi piyasa işlemlerini anlamak için büyük özgün ve üçüncü taraf veri kümelerini birleştiriyoruz, bunlar liste düzeyinde ve ev düzeyinde ayrıntıları içerir. Bu, satış tarihi ve fiyatı, evin listelendiği tarih gibi ortak veri noktalarını ve mutfak özelliklerine veya metrekareye kadar evin bireysel özelliklerini içerir. Bunlara, bir evin kalitesi veya benzersizliğini gösteren özellikleri de dahil ediyoruz, bu da daha doğru bir şekilde benzer evleri seçmemize ve evi mümkün olduğunca doğru bir şekilde fiyatlandırmanıza olanak tanır. Ayrıca piyasada bulunan benzer evlerden gelen verileri de hesaba katıyoruz. Son olarak, bu veri noktaları bir evin adil piyasa değerini ve evin yeniden satılmasına muhtemel süreyi tahmin etmemize yardımcı oluyor.
Opendoor ayrıca işlem yapmadan piyasadan çekilen evleri de analiz ediyor. Bu veriler nasıl farklı kullanılıyor?
Hem aktif evler hem de işlem yapmadan piyasadan çekilen evler – “delistings” olarak adlandırdığımız evler – için benzer verileri inceliyoruz. Veri kümemiz, her işlem için metrekare ve liste fiyatı gibi çeşitli ev düzeyinde ve liste düzeyinde ayrıntıları içerir. Delistings için bu içgörülerı inceliyoruz, ancak hedef değişkenimiz olan günlerde piyasada kalma süresini gözlemleyemiyoruz. Ayrıca, piyasayı holistik olarak anlamak için arz ve talebi inceliyoruz. İşlem yapmayan listeleri dahil ederek, piyasaya daha kapsamlı bir bakış açısına sahip oluyoruz.
Opendoor, ev fiyatlandırmasında Ensembling’i bir faktör olarak kullanıyor. Ensembling nedir ve Opendoor bunu nasıl kullanıyor?
Bir alıcı ev satın almak istediğinde veya bir satıcı evini piyasaya çıkarmaya karar verdiğinde, evin değerini belirleme şekli, alıcı ve satıcı türüne bağlı olarak çok farklı olabilir. Modelimize bunu dahil ediyoruz, bu da Ensembling’in nerede devreye girdiği yer. Ensembling, farklı fiyatlandırma modellerini birlikte kullanarak ev değerlerinin ağırlıklı ortalamasını hesaplamamıza olanak tanır. Bazı modeller belirli değişkenleri diğerlerinden farklı şekilde değerlendirebilir. Ensembling’in genellikle tek bir modelden daha doğru fiyatlandırma sağladığını bulduk.
Opendoor, çeşitli kaynaklardan büyük verileri içe aktarıyor, bu da verilerin orijinal olarak etiketlendiği veya biçimlendirildiği şekilde bir zorluk oluşturabiliyor. Opendoor, bu sorunla başa çıkmak için Markov Random Field’i kullanıyor. Bu nedir?
Zorluk, metin verilerinin mutasyonlarından, kısaltmalardan ve yazım hatalarından, sözcüklerin tutarlı olmayan sıralamasına ve numerik yazımına kadar uzanan bir dizi faktörden kaynaklanıyor. Kalitesiz veri, ev değerleme modellerimizi olumsuz etkiliyor, bu nedenle veri etiketlerini standartlaştırmak ve etiket kalitesini iyileştirmek için bir matematiksel yaklaşım uyguladık. Markov Random Field, etiketlerin hepsini ortak şekilde puanlamamıza ve alt bölüm gibi özellikleri daha doğru bir şekilde yorumlamamıza olanak tanır. Her etiketin puanı, orijinal metne ne kadar iyi relacion ettiği ve komşuları arasında ne kadar uzaysal olarak sürekli olduğu gibi iki farklı bileşenden gelir. Markov zincirlerinin matematiği ile veriyi, parçalarının basit bir toplamından daha fazlasını haline getiriyoruz.
Satış için listelenen bir evin ortalama tutma süresini modellemek için bir teknik olan survival analysis’i kullanıyorsunuz. Survival analysis nedir ve Opendoor’un durumunda uygulanabilir mi?
Temel olarak, bir ev başına likiditeyi anlamamız ve evin likidite profilini daha fazla bilgi aldıkça güncellememiz gerekiyor. Survival analysis, bir veya daha fazla olayın meydana gelmesi beklenen süreyi analiz eden istatistiksel bir yöntemdir. Bizim durumumuzda, survival analysis’i bir evin satılmasına kadar geçen süreyi anlamak ve tahmin etmek için kullanıyoruz. Bu yöntemi kullanarak, piyasa koşullarına tepki verme yeteneğimizi dramatik bir şekilde iyileştiriyoruz ve birim ekonomimizi daha doğru bir şekilde öngörüyoruz. Bu, her ev için bir risk eşiği belirlememize ve daha akıllıca yatırımlar yapmamıza yardımcı oluyor, bu da işimiz için çok önemli.
Yol gürültüsü gibi, ev değerini etkileyen ve çok yerelle bağlı faktörler var. Bu gibi bir sorunu valuation modelinize nasıl programlıyorsunuz?
Opendoor Değerleme Modeli (OVM), doğru ve rekabetçi teklifler sunmak için makine zekası ile insan uzmanlığını birleştirir ve menos apparent faktörleri, örneğin yol gürültüsünü hesaba katar. Bunu yapmak için, insan operatörlerimizin değişkenleri tanımlamasına ve makinelerimizin bu değişkenlerin fiyatlandırma algoritmasındaki önemini öngörmesine güveniyoruz. OpenStreetMap (OSM), yol geometrileri için serbestçe kullanılabilen bir veri kümesidir ve bize yol kenarındaki evleri tanımlamaya yardımcı olur. Ayrıca, daha önce insan tarafından yapılan ayarları hesaba katıyoruz ve piyasalar için ortalama ayar değerini hesaplıyoruz. Bu değerleri ölçeklendirerek iyileştirebiliyoruz ve piyasalar için daha fazla insan ayarı verisi topladıkça, veri kümesi büyüyor ve OVM performansı iyileşiyor. En önemlisi, üçüncü taraf verileriyle zenginleştirdiğimiz kendi özgün verilerimizle birlikte, yerelle bağlı sinyaller dramatik bir şekilde iyileşiyor.
Opendoor hakkında paylaşmak istediğiniz başka bir şey var mı?
Opendoor’da çalışmanın benim için özel olması, teknoloji, veri bilimi ve operasyonel mükemmellik kullanarak milyonlarca tüketici için gerçek dünya ağrı noktalarını çözmeye çalışmamızdır. Online ve offline dünyaların bu birleşmesi daha önce yapılmamış ve birçok yeni ve ilginç zorluklar getiriyor.
