In der Autor Highlight -Serie chatten die TDS -Redakteure mit Mitgliedern unserer Group über ihren Karriereweg in Knowledge Science und KI, ihr Schreiben und ihre Inspirationsquellen. Heute sind wir begeistert, unser Gespräch mit zu teilen Claudia Ng.

Claudia ist ein AI -Unternehmer und Datenwissenschaftler mit mehr als 6 Jahren Erfahrung im Aufbau von maschinellen Lernmodellen in Fintech. Sie belegte den zweiten Platz und gewann im Jahr 2024 einen ML -Wettbewerb von 10.000 US -Greenback.

---

Sie haben kürzlich 10.000 US -Greenback bei einem maschinellen Lernwettbewerb gewonnen – Glückwunsch! Was struggle die größte Lektion, die Sie aus dieser Erfahrung genommen haben, und wie hat sie Ihre Herangehensweise an ML-Probleme in der realen Welt geprägt?

Meine größte Lektion bestand darin, dass Area -Experience mehr wichtig ist als die algorithmische Komplexität. Es struggle ein ML -Wettbewerb von Web3 Credit score Scoring, und obwohl ich noch nie mit Blockchain -Daten oder neuronalen Netzwerken für die Kreditbewertung gearbeitet hatte, gaben mir meine mehr als 6 Jahre in Fintech die Geschäftsintuition, dies als Commonplace -Kreditrisikoproblem zu behandeln. Diese Perspektive erwies sich als wertvoller als ein beliebiger Abschluss oder eine tiefe Lernspezialisierung.

Diese Erfahrung verlagerte grundlegend, wie ich ML -Probleme auf zwei Arten nähere:

Zuerst habe ich gelernt, dass Versand besser als perfekt ist. Ich verbrachte nur 10 Stunden mit dem Wettbewerb und reichte eher einen „MVP“ -Ansatz ein, anstatt ihn zu überbinden. Dies gilt direkt für die Industriearbeit: Ein anständiges Modell, das in der Produktion ausgeführt wird, bietet mehr Wert als ein hoch optimiertes Modell, das in einem Jupyter -Notizbuch sitzt.

Zweitens stellte ich fest, dass die meisten Hindernisse psychological und nicht technisch sind. Ich habe quick nicht teilgenommen, weil ich Web3 nicht kannte oder mich wie eine „Wettbewerbsperson“ fühlte, aber im Nachhinein überlegte ich es. Während ich immer noch daran arbeite, diese Lektion allgemeiner anzuwenden, hat sie meine Möglichkeiten verändert. Ich konzentriere mich nun darauf, ob ich das Kernproblem verstehe und ob es mich begeistert, und vertraue darauf, dass ich es im Laufe des Gehens herausfinden kann.

Ihr Karriereweg umfasst Unternehmen, öffentliche Ordnung, maschinelles Lernen und jetzt AI -Berater. Was motivierte Ihre Verschiebung von Unternehmenstechnologie zum AI Freelance WorldUnd was erregt Sie am meisten über dieses neue Kapitel? Mit welchen Herausforderungen oder Kunden freuen Sie sich am meisten?

Die Verschiebung zu unabhängigen Arbeiten wurde durch das Aufbau von etwas angetrieben, das ich wirklich besitzen und wachsen konnte. In Unternehmensrollen erstellen Sie wertvolle Systeme, die Ihre Amtszeit überleben, aber Sie können sie nicht mitnehmen oder einen weiteren Kredit für ihren Erfolg erhalten. Wenn ich diesen Wettbewerb gewann, hatte ich die Fähigkeiten, meine eigenen Lösungen zu schaffen, anstatt nur zur Imaginative and prescient eines anderen beizutragen. Ich habe wertvolle Fähigkeiten in Unternehmensrollen erlernt, aber ich freue mich, sie auf Herausforderungen anzuwenden, die mir sehr wichtig sind.

Ich verfolge dies über zwei Hauptpfade: Beratungsprojekte, die meine Experience für Datenwissenschaft und maschinelles Lernen nutzen und ein Produkt -Lernprodukt von KI aufbauen. Die Beratungsarbeit bietet sofortige Einnahmen und hält mich mit echten Geschäftsproblemen in Verbindung, während das Sprachprodukt meine langfristige Imaginative and prescient darstellt. Ich lerne, öffentlich aufzubauen und meine Reise durch meine zu teilen Publication.

Als Polyglot, der neun Sprachen spricht, habe ich tief über die Herausforderungen nachgedacht, die Gesprächsfluenz zu erreichen, und nicht nur das Wissen des Lehrbuchs beim Erlernen einer Fremdsprache. Ich entwickle einen KI-Sprachlernpartner, der Menschen hilft, reale Szenarien und kulturelle Kontexte zu üben.

Was mich am meisten begeistert, ist die technische Herausforderung, KI -Lösungen aufzubauen, die den kulturellen Kontext und die Konversationsnuance berücksichtigen. Auf der Beratungsseite bin ich energetisiert, indem ich mit Unternehmen zusammenarbeite, die echte Probleme lösen möchten, anstatt nur KI umzusetzen, um KI zu haben. Egal, ob es sich um Risikomodelle oder das Abrufen von Informationen handelt, ich liebe Projekte, bei denen sich Area -Experten und praktische KI überschneiden.

Viele Unternehmen sind bestrebt, etwas mit KI zu tun, wissen aber nicht immer, wo sie anfangen sollen. Was ist Ihr typischer Prozess, um einem neuen Kunden zu helfen und seine erste AI -Initiative zu priorisieren?

Ich verfolge einen Downside mit dem ersten Ansatz, anstatt mit KI-Lösungen zu führen. Zu viele Unternehmen wollen „etwas mit KI tun“, ohne festzustellen, welches spezifische Geschäftsproblem sie lösen möchten, was normalerweise zu beeindruckenden Demos führt, die die Nadel nicht bewegen.

Mein typischer Prozess folgt drei Schritten:

Erstens konzentriere ich mich auf die Problemdiagnose. Wir identifizieren spezifische Schmerzpunkte mit messbaren Auswirkungen. Zum Beispiel habe ich kürzlich mit einem Kunden im Restaurantbereich zusammengearbeitet, um das Umsatzwachstum zu verlangsamen. Anstatt zu einer „KI-betriebenen Lösung“ zu springen, haben wir die Datenüberprüfungsdaten untersucht, um Muster zu identifizieren. Beispielsweise, welche Menüelemente Beschwerden vorgenommen haben, welche Serviceelemente positives Suggestions generierten und welche operativen Probleme am häufigsten erschienen. Diese datengesteuerte Diagnose führte eher zu spezifischen Empfehlungen als zu generischen KI-Implementierungen.

Zweitens definieren wir den Erfolg im Voraus. Ich bestehe auf quantifizierbaren Metriken wie Zeiteinsparungen, Qualitätsverbesserungen oder Umsatzsteigerungen. Wenn wir es nicht messen können, können wir nicht beweisen, dass es funktioniert hat. Dies verhindert das Kriechen des Umfangs und stellt sicher, dass wir echte Probleme lösen und nicht nur coole Technologien aufbauen.

Drittens durchlaufen wir lebensfähige Lösungen und richten uns auf das Beste aus. Manchmal ist das ein Visualisierungs -Dashboard, manchmal ist es ein Lappensystem, manchmal fügt es Vorhersagefunktionen hinzu. KI ist nicht immer die Antwort, aber wenn es so ist, wissen wir genau, warum wir es verwenden und wie der Erfolg aussieht.

Dieser Ansatz hat optimistic Ergebnisse erzielt. Kunden sehen in der Regel eine verbesserte Entscheidungsgeschwindigkeit und klarere Datenerkenntnisse. Während ich meine unabhängige Praxis aufbaue, struggle es wichtig, mich auf echte Probleme und nicht auf AI -Schlagworte zu konzentrieren, um die Kundenzufriedenheit und die Wiederholung von Engagements zu wiederholen.

Sie haben aufstrebende Datenwissenschaftler betreut – was ist eine gemeinsame Gefahr, die Sie unter Menschen sehen, die versuchen, in das Feld einzudringen, und wie raten Sie ihnen, dies zu vermeiden?

Die größte Gefahr, die ich sehe, ist es, alles zu lernen, anstatt sich auf eine Rolle zu konzentrieren. Viele Menschen, einschließlich mir früh, haben das Gefühl, jeden KI -Kurs belegen und jedes Konzept beherrschen, bevor sie „qualifiziert“ sind.

Die Realität ist, dass Knowledge Science sehr unterschiedliche Rollen umfasst: von Produktdatenwissenschaftlern, die A/B -Checks durch ML -Ingenieure durchführen, die Modelle in der Produktion einsetzen. Sie müssen kein Experte bei allem sein.

Mein Rat: Wählen Sie zuerst Ihre Spur aus. Finden Sie heraus, welche Rolle Sie am meisten erregt, und konzentrieren Sie sich dann darauf, diese Kernfähigkeiten zu schärfen. Ich habe persönlich vom Analyst zum ML -Ingenieur übergegangen, indem ich maschinelles Lernen intensiv studierte und echte Projekte übernommen habe (Sie können meine Übergangsgeschichte lesen Hier). Ich nutzte mein Area -Experience im Kredit- und Betrugsrisiko und beantragte dies auf Berechnungen für technische und geschäftliche Auswirkungen.

Der Schlüssel liegt darin, diese Fähigkeiten auf echte Probleme anzuwenden und nicht in der Tutorial -Hölle festzuhalten. Ich sehe dieses Muster ständig durch meinen Publication und Mentoring. Menschen, die durchbrechen, sind diejenigen, die anfangen zu bauen, auch wenn sie sich nicht bereit fühlen.

Die Landschaft der KI -Rollen entwickelt sich weiter. Wie sollten Neuankömmlinge entscheiden, wo sie sich konzentrieren sollen – ML Engineering, Knowledge Analytics, LLMs oder etwas ganz anderes?

Beginnen Sie mit Ihren aktuellen Fähigkeiten und dem, was Sie interessiert, nicht das, was am prestigeträchtigsten klingt. Ich habe über verschiedene Rollen gearbeitet (Analyst, Datenwissenschaftler, ML -Ingenieur) und haben jeweils wertvolle, übertragbare Fähigkeiten mitgebracht.

So würde ich mich der Entscheidung nähern:

Wenn Sie aus einem geschäftlichen Hintergrund kommen: Produktdatenwissenschaftlerrollen sind häufig der einfachste Einstiegspunkt. Konzentrieren Sie sich auf SQL-, A/B -Take a look at- und Datenvisualisierungsfähigkeiten. Diese Rollen schätzen die Geschäftsintuition häufig über tiefe technische Fähigkeiten.

Wenn Sie Programmiererfahrung haben: Betrachten Sie ML Engineering oder AI Engineering. Die Nachfrage ist hoch und Sie können auf vorhandenen Fähigkeiten zur Softwareentwicklung aufbauen.

Wenn Sie von der Infrastruktur angezogen werden: Mlops Engineering ist sehr gefragt, insbesondere da mehr Unternehmen ML- und KI -Modelle im Maßstab einsetzen.

Die Landschaft entwickelt sich weiterentwickelt, aber wie oben erwähnt, ist Area -Experience häufig wichtiger als dem neuesten Pattern. Ich habe diesen ML -Wettbewerb gewonnen, weil ich das Credit score -Risiko -Grundlagen verstanden habe, nicht weil ich die schicksten Algorithmen kannte.

Konzentrieren Sie sich auf die Lösung realer Probleme in Domänen, die Sie verstehen, und lassen Sie die technischen Fähigkeiten folgen. Um mehr über verschiedene Rollen zu erfahren, habe ich über die 5 Arten von Knowledge Science -Karrierewege geschrieben Hier.

Was ist ein KI- oder Knowledge -Science -Thema, über das mehr Menschen schreiben sollten, oder über einen Pattern, den Sie gerade genau beobachten?

Ich bin von der Geschwindigkeit und Qualität der TTS-Technologie (Textual content-to-Speech) überwältigt, um echte Konversationsmuster und -ton nachzuahmen. Ich denke, mehr Menschen sollten über die TTS -Technologie für gefährdete Sprachbewahrung schreiben.

Als Polyglot, der sich für interkulturelles Verständnis begeistern, bin ich fasziniert davon, wie KI dazu beitragen kann, dass Sprachen vollständig verschwinden. Die meisten TTS -Entwicklung konzentriert sich auf wichtige Sprachen mit massiven Datensätzen, es gibt jedoch weltweit über 7.000 Sprachen, und viele sind aus dem Aussterben bedroht.

Was mich erregt, ist das Potenzial für KI, die Sprachsynthese für Sprachen zu erstellen, bei denen nur noch wenige hundert Sprecher übrig sind. Dies ist Technologie, die die Menschheit und die kulturelle Erhaltung von seiner besten Seite dienen! Wenn eine Sprache stirbt, verlieren wir einzigartige Denkweise über die Welt, spezifische Wissenssysteme und das kulturelle Gedächtnis, die nicht übersetzt werden können.

Der Pattern, den ich genau beobachte, ist, wie Transferlernen und Sprachklonen dies technisch machbar machen. Wir erreichen einen Punkt, an dem Sie möglicherweise nur Stunden anstelle von Tausenden von Stunden Audio -Daten benötigen, um hochwertige TTs für neue Sprachen zu erstellen, insbesondere mit vorhandenen mehrsprachigen Modellen. Während diese Technologie gültige Bedenken hinsichtlich des Missbrauchs hervorruft, zeigen Anwendungen wie Spracherhaltung, wie wir diese Funktionen verantwortungsbewusst für kulturelles Intestine nutzen können.

Während ich mein Sprachlernprodukt weiterentwickle und meine Beratungspraxis aufbaue, werde ich ständig daran erinnert, dass die interessantesten KI -Anwendungen häufig aus der Kombination von technischen Funktionen mit tiefem Domänenverständnis herrühren. Egal, ob es sich um maschinelle Lernmodelle oder kulturelle Kommunikationsinstrumente handelt, die Magie findet an der Kreuzung statt.

---

Mehr darüber erfahren Claudias Arbeit und bleiben Sie mit ihren neuesten Artikeln auf dem Laufenden, Sie können ihr folgen TdsAnwesend Substanzoder LinkedIn.

Ein Haus, egal ob Sie ein täglicher Käufer sind, der Ihr Traumhaus oder ein erfahrener Immobilieninvestor sucht, es besteht eine gute Probability, dass Sie automatisierte Bewertungsmodelle oder AVMs gestoßen sind. Diese cleveren Instruments verwenden large Datensätze, die mit früheren Eigenschaftstransaktionen gefüllt sind, um den Wert Ihres potenziellen neuen Hauses vorherzusagen. Durch die Betrachtung von Funktionen wie Ort, Anzahl der Schlafzimmer, Badezimmer, Altersalter und mehr verwenden AVMs KI, um Verbände mit Verkaufspreisen zu lernen. Eine schnelle und kostengünstige Einschätzung von Eigenheimen klingt auf dem Papier großartig, und in vielen Fällen ist es großartig. Mit jeder Preisvorhersage kommt jedoch ein Maß an Unsicherheit, und wenn man diese Unsicherheit nicht berücksichtigt, kann es ein kostspieliger Fehler sein. In diesem Beitrag veranschaue ich die Anwendung der AI-Unsicherheitsquantifizierung für AVMs durch die AVMU-Methodik.

Preisvorhersage Unsicherheit?

Fangen wir einfach an. Stellen Sie sich vor, Sie suchen ein zweistöckiges Haus mit vier Schlafzimmern in einem gemütlichen Viertel in Virginia Seaside, VA. Sie haben einige lokale Wohnungsdaten heruntergeladen und sie verwendet, um Ihr eigenes AVM zu trainieren (Sie sind so technisch versiert!).

Fall 1: Zum Glück haben sich im vergangenen Jahr mehrere quick identische Häuser in der Nachbarschaft für rund 500.000 US -Greenback verkauft. Ihr AVM schlägt zuversichtlich vor, dass das Haus, an dem Sie interessiert sind, wahrscheinlich auch den gleichen Preis wert ist. Einfach genug, oder?

Aber hier wird es schwieriger:

Fall 2: Diesmal wurden in letzter Zeit keine ähnlichen zweistöckigen Häuser mit vier Schlafzimmern verkauft. Stattdessen zeigt Ihr Datensatz kleinere einstöckige Häuser, die mit 400.000 US-Greenback verkauft werden, und größere dreistöckige Häuser für 600.000 US-Greenback. Ihr AVM hat die Dinge im Durchschnitt aus und schlägt erneut 500.000 US -Greenback vor. Es ist sinnvoll, Ihr Zielhaus ist größer als die billigeren Häuser und kleiner als die teureren.

Beide Szenarien gaben Ihnen die gleiche Bewertung von 500.000 US -Greenback. Es gibt jedoch einen Haken: Das erste Szenario wird durch solide Daten (ähnliche Häuser verkauft) unterstützt, wodurch die Preisvorhersage ziemlich zuverlässig ist. Im zweiten Szenario dagegen könnte das Vertrauen der Preisvorhersage etwas riskanter sein. Mit weniger vergleichbarer Verkäufe musste die AVM eine „fundierte Vermutung“ machen, was zu einer weniger sicheren Preisvorhersage führte.

Das solide AVM für Fall 1 ist ein sehr hilfreiches Instrument zur Unterstützung des Entscheidungsunterstützung für den Kauf eines Eigenheims, aber der wackelige AVM, falls 2 eine völlig falsche Vorstellung vom Marktwert des Eigenheims geben kann. Hier ist die große Frage:

Wie können Sie feststellen, ob Ihre AVM -Vorhersage solide oder wackelig ist?

AVMU – eine Unsicherheitsquantifizierungstechnik für AVMs

Genau deshalb brauchen wir AVMU oder automatisierte Bewertungsmodellunsicherheit. AVMU ist ein neuer methodischer Rahmen, der uns hilft, genau zu quantifizieren, wie zuverlässig (oder unsicher) diese AVM -Vorhersagen sind. Stellen Sie sich dies als Vertrauensmesser für Ihre Vorhersage Ihrer Hauspreise vor und helfen Ihnen, klügere Entscheidungen zu treffen, anstatt einem Algorithmus blind zu vertrauen.

Kehren wir zu unserem Beispiel in Virginia Seaside zurück. Sie haben die Auflistungen ausgiebig durchsucht und Ihre Auswahl auf zwei fantastische Häuser eingeschränkt: Nennen wir sie nach Hause A und Dwelling B.

Natürlich möchten Sie als erstes wissen, dass ihre Marktwerte. Wenn Sie den Marktwert wissen, stellt Sie sicher, dass Sie nicht zu viel zu zahlen, Sie möglicherweise vor zukünftigen finanziellen Kopfschmerzen zu sparen und das Haus mit Verlust weiterzuverkaufen. Leider haben Sie in Virginia Seaside nicht viel Wissen über die Immobilienpreise, wie Sie ursprünglich aus (Fügen Sie den Namen des Ortes ein, den Sie aufgewachsen sind). Glücklicherweise erinnern Sie sich an die datenwissenschaftlichen Fähigkeiten, die Sie in der Graduiertenschule aufgegriffen haben, und beschließen zuversichtlich, Ihren eigenen AVM zu bauen, um die Marktwerte Ihrer beiden Kandidatenhäuser zu verstehen.

Um sicherzustellen, dass Ihre AVM -Vorhersagen so genau wie möglich sind, trainieren Sie das Modell mit dem mittleren Quadratfehler (MSE) wie Ihrer Verlustfunktion:

( textual content {mse} = frac {1} {n} sum_ {i = 1}^{n} (y_i – Hat {y} _i)^2 )

Hier ist (n ) die Anzahl der Häuser in Ihrem Trainingsdatensatz, ( Hat {y} _i ) repräsentiert die Preisvorhersage des AVM für Zuhause.

Nach dem Coaching des Modells wenden Sie Ihre AVM auf Häuser A und B. auf Ihre Überraschung (oder vielleicht die Aufregung?) An. Beide Häuser werden vom Algorithmus mit genau 500.000 US -Greenback bewertet. Sehr intestine, aber gerade als Sie ein Angebot für zu Hause B geben, ist ein Gedanke: Diese Vorhersagen sind keine absoluten Gewissheiten. Sie sind „Punktvorhersagen“, im Wesentlichen die beste Vermutung der AVM zum wahrscheinlichsten Marktwert. Tatsächlich ist der wahre Marktwert wahrscheinlich etwas höher oder niedriger, und es ist eher unwahrscheinlich, dass die AVM -Vorhersage den Marktwert auf den genauen Greenback gesetzt hat.

Wie messen wir diese Unsicherheit? Hier kommt die AVMU -Methodik mit einem einfachen, aber kraftvollen Ansatz ins Spiel:

1. Zunächst verwenden Sie Kreuzvalidation (z. B. 5-fach CV), um außerhalb der FALT-Preisvorhersagen, ( Hat {y} _i ), für alle (n ) Häuser in Ihrem Datensatz zu generieren.

2. Als nächstes berechnen Sie für jedes Haus, wie weit die Vorhersage vom tatsächlichen Verkaufspreis entfernt battle. Dieser Unterschied wird als absolute Abweichung bezeichnet, (| Hat {y} _i – y_i | ), zwischen der Preisvorhersage, ( Hat {y} _i ) und dem tatsächlichen Verkaufspreis (y_i ).

3. Anstatt Verkaufspreise vorherzusagen, schulen Sie ein separates „Unsicherheitsmodell“ (f ( Hat {y} _i, x_i) ) unter Verwendung dieser absoluten Abweichungen (| Hat {y} _i – y_i | ) als Ziel. Dieses spezielle Modell lernt Muster, die angeben, wann die AVM -Vorhersagen typischerweise genau oder ungewiss sind.

4. Schließlich wenden Sie dieses Unsicherheitsmodell an, um zu schätzen, wie unsicher die Preisvorhersagen für die Häuser A und B (dh Ihr Testsatz) sind, indem sie ihre absoluten Preisabweichungen vorhersagen. Sie haben jetzt einfache Unsicherheitsschätzungen für beide Häuser.

Jetzt weiß ich genau, was einige von Ihnen vielleicht über den dritten Schritt denken:

„Warten Sie eine Sekunde, Sie können nicht einfach eine Regression auf eine andere Regression legen, um zu erklären, warum der erste ausgeschaltet ist!“

Und du hättest absolut Recht. Nun, irgendwie. Wenn es klare, vorhersehbare Datenmuster gäbe, die zeigten, dass bestimmte Häuser von Ihrem AVM durchweg überteuert oder unterbewertet waren, würde dies bedeuten, dass Ihr AVM überhaupt nicht sehr intestine battle. Im Idealfall sollte ein guter AVM alle bedeutungsvollen Muster in den Daten erfassen. Aber hier ist die clevere Wendung: Anstatt vorherzusagen, ob ein Zuhause spezifisch überteuert oder unterbewertet ist (was wir als signierte Abweichung bezeichnen), konzentrieren wir uns auf absolute Abweichungen. Auf diese Weise können wir die Frage der Erklärung des Erklärungen, ob ein Zuhause zu hoch oder zu niedrig geschätzt wird, umgehen. Stattdessen lassen wir uns das Unsicherheitsmodell darauf konzentrieren, zu identifizieren, welche Arten von Häusern das AVM tendiert, um genau vorherzusagen und mit welchen sie zu kämpfen haben, unabhängig von der Richtung des Fehlers.

Aus der Perspektive eines Käufers sind Sie natürlich mehr Sorgen um eine Überzahlung. Stellen Sie sich vor, Sie kaufen ein Haus für 500.000 US -Greenback, nur um festzustellen, dass es tatsächlich nur 400.000 US -Greenback wert ist! In der Praxis ist es jedoch auch problematischer, den Wert eines Hauses zu unterschätzen, als Sie denken würden. Machen Sie ein Angebot, das zu niedrig ist, und Sie verlieren möglicherweise Ihr Traumhaus an einen anderen Käufer. Aus diesem Grund ist Ihr Ziel als versierter Käufer nicht nur die höchste oder niedrigste Preisvorhersage. Stattdessen sollte Ihre Priorität robuste, zuverlässige Bewertungen sein, die dem wahren Marktwert genau entsprechen. Und dank der AVMU -Unsicherheitsschätzungen können Sie jetzt sicherer genau bestimmen, welche Vorhersagen zu vertrauen sind.

Mathematisch kann der oben beschriebene Prozess so geschrieben werden:

.

Und:

( textual content {avmu} _i = f ( Hat {y} _i, x_i) )

Das Unsicherheitsmodell (f ( Hat {y} _i, x_i) ) kann auf jedem Regressionsalgorithmus basieren (sogar derselben wie Ihr AVM). Der Unterschied besteht darin, dass Sie für Ihr Unsicherheitsmodell nicht unbedingt daran interessiert sind, perfekte Vorhersagen für die absoluten Abweichungen zu erzielen. Stattdessen sind Sie daran interessiert, die Häuser auf der Grundlage der Vorhersageunsicherheit zu bewerten und dadurch zu erfahren, welche Preisvorhersagen von Dwelling A und Dwelling B von Bs B von B Dwelling B am meisten vertrauen können. Die für die AVM verwendete MSE -Verlustfunktion (siehe erste Gleichung) ist daher möglicherweise nicht die ideale Wahl.

Anstatt MSE zu verwenden, passen Sie daher Ihr Unsicherheitsmodell (f ( Hat {y} _i, x_i) ) an, um eine Verlustfunktion zu optimieren, die eher für das Rating geeignet ist. Ein Beispiel für eine solche Verlustfunktion ist die Maximierung der Rangkorrelation (dh Spearman’s ( rho )), gegeben durch:

( rho = 1 – frac {6 sum_ {i = 1}^{n} d_i^2} {n (n^2 – 1)} )

Hier bedeutet ein höheres ( rho ) Ihr Modell in Bezug auf die Vorhersageunsicherheit besser zu Hause. .

Jetzt haben Sie für beide Kandidatenhäuser eine AVM -Preisvorhersage und eine entsprechende AVMU -Unsicherheitsschätzung. Durch die Kombination dieser beiden Maßnahmen bemerken Sie schnell etwas Interessantes: Auch wenn mehrere Häuser den gleichen „höchstwahrscheinlichem Marktwert“ haben, kann die Zuverlässigkeit dieser Vorhersagen stark variieren. In Ihrem Fall sehen Sie, dass Dwelling B mit einer deutlich höheren AVMU -Unsicherheitsschätzung ausgestattet ist und signalisiert, dass sein tatsächlicher Marktwert weit entfernt von der Bewertung von 500.000 US -Greenback entfernt sein könnte.

Um sich vor dem unnötigen Risiko zu schützen, entscheiden Sie sich mit Bedacht für den Kauf von Dwelling A, dessen AVM -Bewertung von 500.000 USD durch stärkere Gewissheit unterstützt wird. Mit dem Vertrauen, das dank der AVMU wiederhergestellt wurde, haben Sie Ihren Kauf glücklich abgeschlossen, da Sie wissen, dass Sie eine intelligente, daten informierte Wahl getroffen haben, und Ihr neues Zuhause mit einem entspannten Getränk in Ihrem neuen Vorgarten feiern.

Ethik und andere Anwendungen von AVMU

Diese einfache Einführung in die AVM -Preisunsicherheit und wie AVMU Sie beim Kauf eines Hauses führen kann, ist nur eine der vielen potenziellen Anwendungen. Häuser sind nicht die einzigen Vermögenswerte, die von schnellen, kostengünstigen Bewertungswerkzeugen profitieren könnten. Während AVMs aufgrund zahlreicher Daten und leicht identifizierbaren Merkmalen häufig mit dem Wohnungsbau verbunden sind, können diese Modelle und ihre Unsicherheitsquantifizierung über AVMU für praktisch alles gelten, mit einem Marktpreis. Denken Sie an gebrauchte Autos, Sammlerstücke oder sogar Profi -Fußballspieler. Solange es Unsicherheit bei der Vorhersage ihrer Preise gibt, kann AVMU verwendet werden, um sie zu verstehen.

Wenn Sie sich an Wohnungen halten, können Kaufentscheidungen nicht der einzige Bereich sind, in dem AVMU verwendet werden kann. Hypothekengeber verwenden AVMs häufig, um den Sicherheitswert von Eigenschaften abzuschätzen, und übersehen jedoch häufig, wie ungleichmäßig die Genauigkeit dieser Preisvorhersagen sein kann. In ähnlicher Weise können Steuerbehörden AVMs verwenden, um Ihre Grundsteuern zu bestimmen, können jedoch versehentlich unfaire Bewertungen aufgrund unbestätigter Unsicherheiten festlegen. Das Erkennen der Unsicherheit durch AVMU kann dazu beitragen, diese Bewertungen auf der ganzen Linie fairer und genauer zu machen.

Trotz seiner Vielseitigkeit ist es jedoch wichtig, sich daran zu erinnern, dass kein Avmu perfekt ist. Es ist immer noch ein statistisches Modell, das sich auf Datenqualität und -quantität stützt. Kein Modell kann die Unsicherheit vollständig beseitigen, insbesondere die zufälligen Aspekte, die den meisten Märkten innewohnt, manchmal als aleatorische oder nicht reduzierbare Unsicherheit bezeichnet. Stellen Sie sich ein frisches Ehepaar vor, das die Head-Over-Heels für eine bestimmte Küche fällt und sie auffordert, weit über dem typischen Marktwert zu bitten. Oder vielleicht ein schlechtes Wetter, das die Wahrnehmung eines Hauses eines Hauses während eines Betrachtens negativ beeinflusst. Solche unvorhersehbaren Szenarien werden immer existieren, und AVMU kann nicht jeden Ausreißer erklären.

Denken Sie daran, Avmu gibt Ihnen Wahrscheinlichkeiten, keine festen Wahrheiten. Ein Zuhause mit einer höheren AVMU -Unsicherheit ist eher Um Preisabweichungen zu erleben, ist dies nicht garantiert. Und wenn Sie denken, „denken Sie“Sollte ich ein drittes Modell machen, um die Unsicherheit meines Unsicherheitsmodells vorherzusagen?„Es ist wahrscheinlich an der Zeit zu akzeptieren, dass eine gewisse Unsicherheit einfach unvermeidlich ist. Additionally, bewaffnet mit Ihren AVMU-informierten Erkenntnissen, entspannen Sie sich, umarmen Sie die Unsicherheit und genießen Sie Ihr neues Zuhause!

Referenzen

• AJ Pollestad, Ab Næss und A. verdrängen zu einer besseren Unsicherheitsquantifizierung in automatisierten Bewertungsmodellen (2024), The Journal of Immobilie Finanzen und Wirtschaft.
• AJ Pollestad und A. verdrängen, Unsicherheit nutzen: Ein neuer Ansatz für die Entscheidungsunterstützung für Immobilieninvestitionen (2025), quantitative Finanzen.