为什么可解释的AI对Zillow的业务必不可少

 
Zillow是一个在线市场，可促进房屋的购买，销售，租赁，融资和改建，它采用了许多AI技术来进行诸如估算房屋价格的工作。但是，像这样的AI系统的输出可能是不透明的，从而造成了“黑匣子”问题，从业者和客户无法对系统进行适当的审核。没有透明度，诸如算法偏差之类的严重问题将无法发现，并且无法信任模型。
出于明显的道德原因，这就是为什么可解释的AI(XAI)在AI系统的创建和部署中如此重要的原因，但从实际出发，它也是Zillow等公司采用AI技术的产品和服务取得成功的关键。
Zillow Offer团队的应用科学总监David Fagnan与VentureBeat讨论了XAI对于公司必不可少的原因。当Fagnan四年前加入Zillow时，该公司正在开发其“ Zestimate”产品来估算房价。今年早些时候，该公司众包帮助改善了其房屋估值模型，将100万美元交给了三位数据科学家，他们将Zestimate算法提高了13%。 “吸引我解决这个问题的不仅是这是一个有趣的机器学习挑战。真正的意义在于为人民带来权力，并帮助他们做出关于房屋的更明智的决定。” Fagnan说。
大约一年半以前，该公司启动了Zillow Offer，这进一步拉动了他。 “ Zestimate大约在帮助改变人们的购物方式，’开灯’变成了以前很不透明的空间。但是现在我们真的在尝试更深入地参与交易，因此改变人们实际执行此过程的方式，”他说。
Zillow优惠是一个相对较新的产品，但是它正在增长。 Zillow于2018年4月在凤凰城首次推出，现已在包括洛杉矶在内的22个市场中提供，Zillow预计到2020年中期将再点亮5个。Zillow说，仅在2019年第三季度，就有80,000多名房主向该公司提出要约。 。转换次数要少得多：在本季度内，Zillow购买了2,291套房屋，出售了1,211套，这意味着该公司持有第三季度近一半的购买量。
“ Zillow优惠有很多不同的挑战。重点实际上是帮助房屋销售商减少压力。” Fagnan说。他补充说，如果卖家受到已经压力很大的特定生活事件(例如家庭死亡或工作搬迁)的激励，那尤其令人痛苦。
但这不是一个简单的过程。
报价准确性的挑战
出售房屋并购买另一个房屋通常是一种令人筋疲力尽的事情。两端都有检查，需要进行不可避免的维修和翻新，最糟糕的是时间问题。这几乎是一个鸡与蛋的问题，尤其是如果您打算将出售一所房屋的利润用作另一房屋的首付时：如果找到所需的房屋，则需要在其他人之前提出要约。 ，但要完成交易，您可能需要先出售房屋。在该时间表上通常没有任何保证。有时您最终会背负两笔抵押贷款，一笔用于新房，另一笔用于您要出售的房屋。
Zillow Offer旨在成为消除此问题的中介。与其等待和希望有人在您的房屋上报价，不如同意价格，安排检查，进行任何必要的维修和/或同意调整后的价格，而不是等待房地产经纪人和产权办公室安排截止日期，Zillow可以在几天内为您提供现金报价。
确定报价的数量是Zillow报价必须面对的主要挑战。众所周知，房价难以控制，而且价格波动范围很广-不仅在地区之间，州与州之间，而且在社区之间，甚至在街道之间，都有所不同。价格与“ comps”或类似属性的比较分析有关，但是在其中存在很大的主观性，具体取决于院子的大小或是否有新厨房等特殊设施。
换句话说，不仅仅是房价受到相互依存变量相互联系的影响，而且其中许多变量具有主观价值和重要性。
循环中的人类
Zillow有很多数据。 Fagnan说，其中大部分来自其网站上的购物者，因此该公司对人们在寻找的东西有所了解-“而且我们背后有很多分析数据。”
“当我们实际购买房屋，进行交易时，Zillow优惠的最新消息-赌注很高。你知道的，我们不仅仅是在网站上发布有助于人们购物的数字，我们还购买了30万美元的资产，”他说。
Zillow Offer有自己的内部分析师，也有本地合作伙伴，例如房地产经纪人。他们将这些人的专业知识和判断力与AI工具相结合，这是一种“以人为本”的方法。
使人与机器协同工作是一项实际挑战。首先，他们需要“说”相同的语言。每个行业都有其特定于领域的术语，术语和过程，并且房屋也不例外。任何模型都需要进行相应的训练，以使人和机器都可以对相同类型的因素进行合理的相似评估，以进行比较性市场分析。
XAI的需求马上就会显现出来。 Fagnan将其比喻为在学校的数学课堂上展示您的作品。
这点尤其重要，因为通常情况下，您只能以一定的准确性为代价来获得可解释性。但是，Fagnan说，在一个“人在环”的系统中，它实际上可以带来整体上更高准确性的净效果。 “如果人员能够更轻松地对其进行审核，请对其进行验证-现在，在这种情况下，人员和机器的组合输出可能会更加理想。”
Fagnan提到了一种用于图像分类的深度学习技术，称为“ this like like that”，在NeurIPS 2019上发表的一篇论文中对此进行了详细介绍。该技术涉及一种深度学习网络架构，称为原型部分网络(ProtoPNet)，它“通过换句话说，它会输出图像的“原型”，将原型组合在一起，就可以提供可以对整体进行分类的部分。 Fagnan解释说，这是中间输出，是原型的总和。对于Zillow优惠，“原型”是类似的房屋销售。
他说：“这是一种相当普遍的技术，但我们……使用的是受行业推动的可解释性的特定定义。”
Zillow Offer的“人在环”系统(实际上是任何此类系统)所面临的挑战的一部分，就是要在人与机器之间找到平衡。 Fagnan说：“为了优化这种人在循环系统，我们想弄清楚什么时候最好的人，什么时候最好的辅助情况，以及什么时候最好的机器。”
艺术与科学
Zillow Offer的此过程的实际应用依赖于本地房地产代理商，这一点至关重要，因为回路中的特定人员碰巧不仅具有行业专业知识，而且具有与特定地区相关的知识，例如知道某个特定社区在随着年轻家庭的涌入而上升，或者在给定房屋附近的街道噪音过大，或者您拥有什么。与机器学习带来的“科学”相比，Fagnan将其称为“一种艺术”。
除了带来有价值但无形或无法量化的知识之外，人类还可以充当数据审核员。他们可能能够发现明显的数据错误，例如所列的平方英尺似乎真的很遥远，他们可以查看物业照片并与县志记录进行交叉引用并找出答案。他们还可以提供无法大规模使用的数据标签，亲自面对房屋进行评估，以评估潜在的维修或检查过去翻新的质量，等等。
有些事情甚至不会显示在报告中，甚至不会显示在照片中。尤其是照片，可能会引起误解或混淆。也许照片看起来很棒，但是一个人走进屋子就会发现地板倾斜了。那是计算机视觉不太可能抓住的事情。
当人类审核员发现错误并改善输入到系统中的数据时，系统的准确性就会提高。以倾斜的地板为例：如果人员标记了地板，跟踪根本问题是什么，并记下了维修费用，则改进的模型可以将该费用计入其估计值，并在下次房屋开张时浮出水面。市场。
Fagnan说：“因此，随着时间的流逝，我认为将人类的艺术与机器的科学相结合，并说相同的语言，确实可以使事情发展到一个新的高度。”
与随时间改进的任何AI辅助工具一样，我们很想知道参与Zillow Offer的房地产经纪人是否正在帮助完善一种有朝一日可以替代其工作的工具。尽管Fagnan不能肯定地说机器永远不会取代Zillow Offer的人为因素，但他接近了。他说：“对我来说，没有更多选择是最佳选择。” “我认为同时拥有这两个部分总是会变得更加理想。”