# Einführung

Die einfachste Lösung ist oft die beste, insbesondere wenn es um die Lösung eines bestimmten Issues des maschinellen Lernens geht.

Ich habe viele Menschen gesehen, die große Sprachmodelle (LLMs) und generative KI-Systeme für Aufgaben wie Zeitreihenvorhersage, Bildklassifizierung und tabellarische Vorhersage verwenden. In vielen Fällen kann ein einfaches Modell für maschinelles Lernen dasselbe Drawback schneller, kostengünstiger und mit viel weniger Komplexität lösen.

Für Datenwissenschaftler ist es immer noch eine wesentliche Fähigkeit, die wichtigsten Algorithmen des maschinellen Lernens zu kennen und zu wissen, wann sie eingesetzt werden sollen. In diesem Leitfaden behandeln wir sieben Algorithmen, die jeder Datenwissenschaftler kennen sollte, erläutern kurz ihre Funktionsweise und zeigen, wie man sie in Python verwendet.

# 1. Lineare Regression

Die lineare Regression ist einer der einfachsten und am weitesten verbreiteten Algorithmen für maschinelles Lernen zur Vorhersage kontinuierlicher numerischer Werte. Es kann für Aufgaben wie die Vorhersage von Immobilienpreisen, die Schätzung des monatlichen Umsatzes oder die Prognose des Energieverbrauchs verwendet werden.

Das Modell lernt die Beziehung zwischen den Eingabemerkmalen und dem Zielwert. Es wird versucht, eine geradlinige Beziehung zu finden, die Vorhersagen liefert, die den tatsächlichen Werten in den Trainingsdaten möglichst nahe kommen.

Während des Trainings lernt das Modell, wie viel jedes Characteristic zur endgültigen Vorhersage beiträgt. Sobald es trainiert ist, kann es diese erlernten Beziehungen nutzen, um Vorhersagen zu neuen Daten zu treffen.

from sklearn.linear_model import LinearRegression

mannequin = LinearRegression()
mannequin.match(X_train, y_train)

y_pred = mannequin.predict(X_test)

Hier, match() Trainiert das lineare Regressionsmodell anhand der Trainingsdaten. Der predict() Die Methode nutzt dann die gelernten Beziehungen, um Vorhersagen für die Testdaten zu generieren.

Die lineare Regression ist schnell, einfach zu implementieren und einfach zu interpretieren. Es wird auch häufig als Basismodell zum Vergleich mit fortgeschritteneren Regressionsalgorithmen verwendet.

# 2. Logistische Regression

Die logistische Regression ist einer der am häufigsten verwendeten Algorithmen zur Klassifizierung. Es wird häufig bei Problemen mit zwei möglichen Folgen eingesetzt, z. B. Spam oder Nicht-Spam, Kundenabwanderung oder -bindung sowie betrügerische oder legitime Transaktionen.

Das Modell schätzt die Wahrscheinlichkeit, dass eine Beobachtung zu einer bestimmten Klasse gehört. Es lernt, wie sich jedes Eingabemerkmal auf diese Wahrscheinlichkeit auswirkt, und verwendet das Ergebnis, um eine Klasse zuzuweisen.

Trotz ihres Namens handelt es sich bei der logistischen Regression um einen Klassifizierungsalgorithmus. Es ist schnell, relativ einfach zu interpretieren und eine solide Grundlage für viele Klassifizierungsprobleme.

from sklearn.linear_model import LogisticRegression

mannequin = LogisticRegression()
mannequin.match(X_train, y_train)

y_pred = mannequin.predict(X_test)

Scikit-lernen Wendet standardmäßig die Regularisierung an, um die Modellkomplexität zu kontrollieren und Überanpassungen zu reduzieren.

# 3. LightGBM

LightGBM ist ein Gradientenverstärkungsalgorithmus, der für baumbasiertes maschinelles Lernen entwickelt wurde. Es ist besonders effektiv für strukturierte oder tabellarische Datensätze.

Das Modell erstellt nacheinander Entscheidungsbäume. Jeder neue Baum konzentriert sich auf die Verbesserung der von den vorhandenen Bäumen gemachten Fehler, und ihre Vorhersagen werden kombiniert, um das Endergebnis zu erzielen.

LightGBM verwendet histogrammbasiertes Lernen, das kontinuierliche Merkmalswerte in Bins gruppiert. Dies kann die Speichernutzung reduzieren und das Coaching effizienter machen, insbesondere bei größeren Datensätzen.

from lightgbm import LGBMClassifier

mannequin = LGBMClassifier()
mannequin.match(X_train, y_train)

y_pred = mannequin.predict(X_test)

In diesem Beispiel wird die verwendet LGBMClassifier zur Klassifizierung. LightGBM bietet auch LGBMRegressor für Regressionsaufgaben.

Es unterstützt auch paralleles, verteiltes und GPU-Coaching, was es zu einer beliebten Wahl für umfangreiches tabellarisches maschinelles Lernen macht.

# 4. XGBoost mit Histogrammbäumen

XGBoost ist ein weiterer beliebter Gradient-Boosting-Algorithmus für strukturierte Daten. Es wird häufig für Klassifizierungs-, Regressions- und Rankingprobleme verwendet.

Wie LightGBM erstellt XGBoost Entscheidungsbäume nacheinander. Jeder neue Baum versucht, Fehler in den aktuellen Vorhersagen zu korrigieren und so das Modell schrittweise zu verbessern.

Anstatt sich auf einen großen Entscheidungsbaum zu verlassen, kombiniert XGBoost viele kleinere Bäume, um eine stärkere endgültige Vorhersage zu erzielen.

from xgboost import XGBClassifier

mannequin = XGBClassifier(tree_method="hist")
mannequin.match(X_train, y_train)

y_pred = mannequin.predict(X_test)

Der tree_method="hist" Die Einstellung verwendet eine histogrammbasierte Baumkonstruktion. Merkmalswerte werden in Bins gruppiert, bevor XGBoost nach nützlichen Aufteilungen sucht, wodurch die Baumbildung effizienter wird.

XGBoost ist flexibel, zuverlässig und bleibt einer der stärksten Algorithmen für viele tabellarische Probleme des maschinellen Lernens.

# 5. Zufälliger Wald

Random Forest ist ein Ensemble-Algorithmus für maschinelles Lernen, der mehrere Entscheidungsbäume kombiniert.

Anstatt sich auf einen einzelnen Baum zu verlassen, trainiert es viele Bäume mithilfe verschiedener Stichproben der Trainingsdaten und Teilmengen der verfügbaren Funktionen. Ihre Vorhersagen werden dann kombiniert.

Zur Klassifizierung stimmen die Bäume über die vorhergesagte Klasse ab. Für die Regression werden ihre Vorhersagen gemittelt. Durch die Kombination mehrerer Bäume ist die Wahrscheinlichkeit einer Überanpassung des Modells normalerweise geringer als bei einem einzelnen Entscheidungsbaum.

from sklearn.ensemble import RandomForestClassifier

mannequin = RandomForestClassifier(
    n_estimators=100,
    random_state=42
)

mannequin.match(X_train, y_train)

y_pred = mannequin.predict(X_test)

Der n_estimators=100 Die Einstellung weist den Random Forest an, 100 Entscheidungsbäume zu erstellen.

Random Forest ist einfach zu verwenden, funktioniert intestine mit vielen tabellarischen Datensätzen und kann auch Characteristic-Wichtigkeitswerte liefern, um zu verstehen, welche Eingaben die Vorhersagen beeinflussen.

# 6. Lange Kurzzeitgedächtnisnetzwerke

Lange Kurzzeitgedächtnisnetzwerke oder LSTMs sind eine Artwork wiederkehrendes neuronales Netzwerk, das für sequentielle Daten entwickelt wurde.

Ein LSTM verarbeitet eine Sequenz Schritt für Schritt und behält dabei Informationen aus früheren Schritten bei. Es verwendet internen Speicher und Gates, um zu entscheiden, welche Informationen beibehalten, aktualisiert oder ignoriert werden sollen.

Dadurch können frühere Beobachtungen spätere Vorhersagen beeinflussen, was LSTMs nützlich macht, wenn die Reihenfolge der Daten wichtig ist. Beispiele hierfür sind Verkaufsprognosen, Verkehrsvorhersagen, Sensorwerte und andere Zeitreihenprobleme.

from tensorflow import keras
from tensorflow.keras import layers

mannequin = keras.Sequential((
    keras.Enter(form=(X_train.form(1), X_train.form(2))),
    layers.LSTM(64),
    layers.Dense(1)
))

mannequin.compile(
    optimizer="adam",
    loss="mean_squared_error"
)

mannequin.match(X_train, y_train, epochs=20)

y_pred = mannequin.predict(X_test)

Der LSTM(64) Die Schicht enthält 64 LSTM-Einheiten, die die Sequenz verarbeiten. Der Dense(1) Die Schicht erzeugt eine einzelne numerische Vorhersage.

LSTM-Eingabedaten werden normalerweise wie folgt angeordnet: Proben × Zeitschritte × Merkmale. Diese Modelle können komplexe sequentielle Muster lernen, erfordern jedoch häufig mehr Daten und Berechnungen als herkömmliche Algorithmen für maschinelles Lernen.

# 7. Okay-Means-Clustering

Okay-means ist ein unbeaufsichtigter Algorithmus für maschinelles Lernen, der ähnliche Beobachtungen in Clustern gruppiert. Im Gegensatz zur Klassifizierung sind keine gekennzeichneten Trainingsdaten erforderlich.

Der Algorithmus beginnt mit einer ausgewählten Anzahl von Clusterzentren, die als Schwerpunkte bezeichnet werden. Jede Beobachtung wird ihrem nächstgelegenen Schwerpunkt zugeordnet und die Schwerpunkte werden basierend auf den Beobachtungen in jeder Gruppe neu berechnet.

Dieser Vorgang wiederholt sich, bis sich die Cluster nicht mehr wesentlich verändern.

from sklearn.cluster import KMeans

mannequin = KMeans(
    n_clusters=3,
    n_init=10,
    random_state=42
)

clusters = mannequin.fit_predict(X)

Der n_clusters=3 Die Einstellung weist k-means an, drei Gruppen zu erstellen. Der n_init=10 Die Einstellung führt den Algorithmus mit mehreren Schwerpunktinitialisierungen aus und behält das beste Ergebnis bei.

Okay-Means eignet sich zum Erkennen von Mustern in unbeschrifteten Daten, beispielsweise Kundensegmenten oder Gruppen mit ähnlichem Verhalten. Die Haupteinschränkung besteht darin, dass die Anzahl der Cluster ausgewählt werden muss, bevor der Algorithmus ausgeführt wird.

# Letzte Gedanken

Diese Algorithmen wurden nicht ohne Grund populär und werden auch heute noch in modernen KI-Anwendungen verwendet. Selbst in meinen eigenen Projekten greife ich oft auf traditionelles maschinelles Lernen zurück, weil es mir eine bessere Lösung für das Drawback bietet, das ich zu lösen versuche.

Diese Modelle sind schneller, einfacher zu implementieren und erfordern in der Regel weit weniger CPU, RAM und Infrastruktur. Irgendwann haben wir quick vergessen, dass Einfachheit oft die beste Lösung ist.

Nicht jedes Drawback erfordert ein LLM oder ein generatives KI-Modell. Es gibt viele spezielle Aufgaben, bei denen ein einfacher Algorithmus für maschinelles Lernen die Arbeit erledigen kann, ohne ein riesiges Modell zu verfeinern oder ein komplexes KI-System aufzubauen.

Die wichtige Fähigkeit besteht nicht immer darin, das neueste Modell auszuwählen. Es geht darum, das richtige Modell für das Drawback auszuwählen.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

# Einführung

Sie müssen kein Datenwissenschaftler werden, um von Datenwissenschaft und künstlicher Intelligenz (KI) zu profitieren. Sie sollten jedoch verstehen, was diese Technologien leisten können, wo sie versagen können und wie ihre Ergebnisse zu bewerten sind.

Nachdem ich mehrere Jahre lang mit Datenwissenschafts- und KI-Instruments gearbeitet habe, ist mir aufgefallen, dass Menschen oft eher mit der Technologie als mit dem Downside beginnen. Sie möchten ein Modell trainieren, einen Chatbot einführen oder eine KI-Anwendung erstellen, bevor sie entscheiden, welche Entscheidung sie verbessern möchten.

Für die meisten Profis sollte es nicht das Ziel sein, jeden Algorithmus zu beherrschen. Es sollte darum gehen, genügend Daten- und KI-Kenntnisse zu entwickeln, um bessere Fragen zu stellen, unzuverlässige Ergebnisse zu hinterfragen, die Grenzen dieser Systeme zu verstehen und fundierte Entscheidungen zu treffen.

Dieser Artikel fasst Erkenntnisse aus meinem Interview mit zusammen Iavor I. Bojinovaußerordentlicher Professor für Betriebswirtschaftslehre an der Harvard Enterprise College, und meine eigene Erfahrung in der Arbeit mit Datenwissenschaft und KI-Instruments. Bojinov ist Co-Leiter der HBS-On-line-Kurse „AI for Leaders“ und „Knowledge Science and AI for Choice Making“.

# Beginnend mit der Entscheidung

Bevor ich KI einsetze, definiere ich zunächst die Entscheidung, die getroffen werden muss.

„Wir wollen KI für Kundenanalysen nutzen“ ist zu weit gefasst. Ein klareres Ziel wäre: „Wir möchten Kunden identifizieren, die möglicherweise abwandern, damit unser Retention-Crew sie kontaktieren kann.“

Dies verbindet das Modell mit einem messbaren Ergebnis und einer echten Geschäftsaktion. Ein technisch fortschrittliches System hat wenig Wert, wenn es die zugrunde liegende Entscheidung nicht verbessert.

Bojinov macht einen ähnlichen Punkt. KI sollte als Enter für die Entscheidungsfindung und nicht als Ersatz für Urteilsvermögen betrachtet werden. Fachleute müssen ihre Fähigkeiten und Grenzen verstehen, ihre Empfehlungen validieren und sich auf bessere Geschäftsergebnisse konzentrieren, anstatt KI um ihrer selbst willen einzuführen.

In seinem HBS On-line-Interview: KI-Einführung, Vertrauen und EntscheidungsfindungBojinov erklärt außerdem, dass die erfolgreiche Einführung von KI vom Vertrauen abhängt und davon, wie effektiv Unternehmen diese Systeme einführen und skalieren.

Bevor Sie ein KI-Projekt starten, fragen Sie, welches Downside es lösen wird, wer die Ergebnisse nutzen wird, welche Maßnahmen folgen und wie der Erfolg gemessen wird.

# Zuerst die Daten verstehen

Wenn ich ein Knowledge-Science-Projekt beginne, trainiere ich nicht sofort ein Modell. Ich beginne mit der Untersuchung der Daten.

Die explorative Datenanalyse (EDA) hilft uns, die Struktur, Qualität, Verteilungen und Beziehungen eines Datensatzes zu verstehen. Es kann fehlende Werte, doppelte Datensätze, inkonsistente Kategorien, ungewöhnliche Beobachtungen und potenzielle Verzerrungen aufdecken.

Diese Überprüfungen sind wichtig, da Genauigkeit allein irreführend sein kann.

Angenommen, nur fünf Prozent der Kunden verlassen das Unternehmen. Ein Modell, das vorhersagt, dass jeder Kunde bleiben wird, wäre zu 95 Prozent genau, würde aber keinen der gefährdeten Kunden identifizieren.

Fachleute sollten sich daher fragen, ob eine Kennzahl das tatsächliche Geschäftsziel widerspiegelt, anstatt sich auf eine beeindruckend aussehende Bewertung zu verlassen.

Der neueste Artikel von HBS On-line, Datenvorbereitung für Ihr KI-Modell: Bedeutung und Greatest Practicesbetont außerdem, dass die Leistung eines Modells stark von der Qualität der dahinter stehenden Daten abhängt. Der Artikel behandelt das Bereinigen, Anreichern, Transformieren und Organisieren von Daten vor der Modellentwicklung.

# Sorgfältige Aufbereitung der Daten

Reale Daten sind selten für maschinelles Lernen bereit.

Die Datenvorbereitung kann den Umgang mit fehlenden Werten, das Korrigieren von Formaten, das Entfernen von Duplikaten, das Umwandeln von Kategorien, das Auswählen nützlicher Funktionen und das Trennen von Trainingsdaten von Bewertungsdaten umfassen.

Fachleute sollten auch wissen, woher ihre Daten stammen, wie sie gesammelt wurden, was möglicherweise fehlt und ob frühere Entscheidungen zu Verzerrungen geführt haben.

Meiner Erfahrung nach bringt die Verbesserung der Daten oft einen größeren Nutzen als das Ersetzen eines einfachen Algorithmus durch ein komplizierteres Modell.

Ein Modell lernt aus den Informationen, die es erhält. Wenn diese Informationen unvollständig, veraltet, inkonsistent oder voreingenommen sind, sind die Ergebnisse ebenfalls unzuverlässig.

Bessere Technologie kann schlechte Daten nicht vollständig ausgleichen.

# Auswahl des einfachsten Modells, das funktioniert

Das beste Modell ist nicht immer das neueste, größte oder teuerste.

Für strukturierte Geschäftsdaten – wie Kundendaten, Transaktionen, Verkaufshistorie oder Betriebsdaten – ist ein Regressionsmodell oder Entscheidungsbaum möglicherweise besser geeignet als ein universelles Massive Language Mannequin (LLM).

Es kann auch schneller, kostengünstiger, einfacher zu erklären und einfacher zu überwachen sein.

LLMs sind nützlich, wenn es bei der Aufgabe um Sprache geht, etwa das Zusammenfassen von Dokumenten, das Extrahieren von Informationen, das Erstellen von Entwürfen oder das Analysieren von Kundenfeedback. Für Prognosen, Klassifizierungen und tabellarische Daten bleibt traditionelles maschinelles Lernen möglicherweise die bessere Choice.

Bevor ich ein Modell auswähle, vergleiche ich Vorhersageleistung, Trainings- und Inferenzkosten, Geschwindigkeit, Skalierbarkeit, Erklärbarkeit, Wartungsanforderungen und die Kosten falscher Vorhersagen.

Ein etwas genaueres Modell ist nicht immer die bessere Wahl, wenn es viel teurer, schwer zu erklären oder schwer zu warten ist.

Das Ziel besteht nicht darin, die fortschrittlichste KI einzusetzen. Es geht darum, die zuverlässigste und kostengünstigste Lösung für das Downside zu wählen.

# Validieren, bevor Sie vertrauen

Ein Modell, das während der Entwicklung intestine funktioniert, garantiert nicht, dass es in der realen Welt funktioniert.

Es sollte anhand von Daten ausgewertet werden, die nicht zum Trainieren oder Auswählen verwendet wurden. Die Bewertungsdaten sollten auch die Kunden, Märkte und Bedingungen darstellen, unter denen das Modell betrieben wird.

Die Validierung sollte nach der Bereitstellung fortgesetzt werden. Das Kundenverhalten ändert sich, Märkte verschieben sich, Datenpipelines brechen zusammen und Muster, die einst nützlich waren, können an Zuverlässigkeit verlieren.

Bojinov identifiziert schwache Validierung und Assessments als einen häufigen Fehler. Wenn Unternehmen Modelle bereitstellen, ohne sie ordnungsgemäß zu testen, können sie sich zu sehr auf die Ergebnisse verlassen.

Fachleute sollten sich fragen, wie ein Modell bewertet wurde, welche Fehler es macht, ob seine Testdaten repräsentativ sind und wie seine Leistung im Laufe der Zeit überwacht wird.

Vertrauen sollte durch Beweise entstehen, nicht dadurch, wie fortschrittlich oder sicher das System erscheint.

# Kundenanalysen in die Tat umsetzen

Kundenanalysen sollten mehr als ein Dashboard sein.

Ein Dashboard kann zeigen, was passiert ist. Ein Vorhersagemodell kann abschätzen, was als nächstes passieren könnte. Ein Experiment kann dabei helfen, herauszufinden, was eine Organisation dagegen tun sollte.

Die Prognose, dass ein Kunde möglicherweise abwandert, ist nur dann sinnvoll, wenn das Unternehmen über eine realistische Bindungsstrategie verfügt. Anschließend muss gemessen werden, ob die Intervention tatsächlich funktioniert.

Fachleute sollten außerdem vermeiden, Korrelation mit Kausalität zu verwechseln. Ein mit der Kundenabwanderung verbundenes Merkmal ist nicht unbedingt der Grund, warum Kunden das Unternehmen verlassen.

Hier wird experimentelles Denken wertvoll. Anstatt davon auszugehen, dass eine Intervention funktioniert, sollten Organisationen sie testen, das Ergebnis messen und aus den Erkenntnissen lernen.

Das Ziel besteht nicht darin, mehr Vorhersagen zu treffen. Es geht darum, bessere Entscheidungen zu treffen.

# LLMs als Assistenten behandeln

Große Sprachmodelle (LLMs) haben die KI viel zugänglicher gemacht. Ich verwende sie regelmäßig zum Codieren, Recherchieren, Verbessern der Grammatik, Zusammenfassen von Informationen, Generieren von Ideen und Lernen von etwas Neuem.

Sie helfen mir, schneller zu arbeiten und unbekannte Themen zu erkunden. Eine fließende und sichere Sprache ist jedoch nicht dasselbe wie sachliche Genauigkeit.

LLMs können den Kontext falsch verstehen, sich auf veraltete Informationen verlassen, Quellen erfinden, falschen Code produzieren oder Sicherheitslücken übersehen. HBS On-line-Leitfaden, Was sind große Sprachmodelle und wie funktionieren sie?bietet einen Überblick darüber, was Geschäftsleute verstehen sollten, bevor sie sie verwenden.

Ich vertraue ihrer Leistung nie blind. Ich überprüfe und lese noch einmal, was sie produzieren, überprüfe wichtige Behauptungen, inspiziere generierten Code, teste, ob er funktioniert, und überprüfe, ob es Sicherheitsprobleme gibt.

Ich behandle einen LLM als Assistenten und nicht als unbestreitbare Autorität. Je größer die Konsequenzen einer Aufgabe sind, desto sorgfältiger sollte ihr Ergebnis überprüft werden.

# Das menschliche Urteilsvermögen auf dem Laufenden halten

Laut Bojinov werden Datenkompetenz, experimentelles Denken und die Fähigkeit, KI-Ergebnisse kritisch zu bewerten, mit zunehmender Verbreitung dieser Instruments immer wertvoller.

Fachleute müssen keine KI-Experten werden, aber sie müssen fließend genug sein, um die richtigen Fragen zu stellen, Beweise zu interpretieren, schwache oder unzuverlässige Ergebnisse zu erkennen und zu verstehen, wann einer Antwort vertraut werden kann.

HBS Onlines Wohnzimmer Folge, Wie Berufseinsteiger mit KI führen und wachsen könnenuntersucht, wie Fachleute KI-Kenntnisse mit ihrem vorhandenen Fachwissen kombinieren können, um an einem KI-gesteuerten Arbeitsplatz Mehrwert zu schaffen. Noch eine Folge, Ratschläge für den Berufseinstieg zum Aufbau von KI und menschlichen Fähigkeitenerörtert, wie wichtig es ist, starkes Fachwissen zu entwickeln und gleichzeitig zu lernen, effektiv mit KI zusammenzuarbeiten.

Letztendlich werden diejenigen herausragen, die technisches Verständnis mit Fachwissen und fundiertem unternehmerischem Urteilsvermögen verbinden können.

# Letzte Gedanken

Viele Unternehmen beeilen sich, überall KI einzuführen, weil sie nicht ins Hintertreffen geraten wollen. Dabei geben sie möglicherweise viel Geld für APIs, Infrastruktur, Schulung und Wartung aus, ohne vorher zu fragen, ob KI tatsächlich die richtige Lösung ist.

Ich denke, der Hype wird sich irgendwann legen.

Unternehmen erfahren, wo KI einen echten Mehrwert bietet, wo Menschen weiterhin unverzichtbar sind und wo eine einfachere und kostengünstigere Lösung ausreicht.

Erfolgreiche Knowledge-Science- und KI-Projekte beginnen nicht mit dem neuesten Modell. Sie beginnen mit einem klaren Downside, zuverlässigen Daten, einer angemessenen Bewertung, realistischen Kosten und einem Plan zur Umsetzung der Ergebnisse in die Tat.

Das Ziel ist nicht, KI überall einzusetzen. Es geht darum, es bewusst einzusetzen, sorgfältig zu validieren und dort anzuwenden, wo es Entscheidungen wirklich verbessert.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Automatisierte Bewertungsmodelle können den Preis für ein Haus in Sekundenschnelle ermitteln, aber die Bundesaufsichtsbehörden verlangen jetzt von Hypothekengebern und Sekundärmarktemittenten die Durchführung dokumentierter Qualitätskontrollen, wann immer sie eine AVM für eine gedeckte Kredit- oder Verbriefungsentscheidung nutzen. Die Regel trat am 1. Oktober 2025 in Kraft und fügt der älteren Liste der Bedenken in Bezug auf Vertrauen, Manipulation, Konflikte und Exams das Verbot von Diskriminierung hinzu.

Hypothekengeber, die automatisierte Bewertungsmodelle ohne dokumentierte Aufsicht verwendeten, verloren diese Choice am 1. Oktober 2025. Eine Bundesvorschrift verlangt nun von Banken, Kreditgenossenschaften und Sekundärmarktemittenten, formelle Qualitätskontrollen für jedes AVM einzurichten, das in einer gedeckten Kredit- oder Verbriefungsentscheidung verwendet wird, einschließlich eines neuen Nichtdiskriminierungsstandards. Neun Monate später holen viele Institutionen immer noch auf.

Bei einer AVM handelt es sich um eine Schätzung, nicht um eine Bewertung

Ein automatisiertes Bewertungsmodell ist ein computergestütztes System, das den Wert einer Immobilie anhand von Daten wie früheren Verkäufen, Immobilieneigenschaften, vergleichbaren Transaktionen, Standort und Markttrends schätzt. Es handelt sich nicht um ein digitales Gutachten, und die Unterscheidung hat rechtliche Bedeutung. In behördenübergreifenden Beurteilungsrichtlinien heißt es seit Jahren, dass ein AVM-Ergebnis allein nicht den Mindestbewertungsstandards entspricht, wenn eine Beurteilung gesetzlich oder durch Richtlinien vorgeschrieben ist.

Vier Kategorien dienen unterschiedlichen Zwecken, und ihre Zusammenführung birgt Risiken für Kreditgeber: ein verbraucherorientierter Kostenvoranschlag wie ein Zestimate, ein für das Underwriting entwickelter AVM in Kreditgeberqualität, ein Bewertungsverzicht oder ein alternativer Bewertungsprozess sowie ein lizenziertes Gutachten, das von einem zertifizierten Fachmann erstellt wurde. Zillow’s Zestimate gehört zur ersten Kategorie. Zillow selbst beschreibt das Zestimate als automatisierten Kostenvoranschlag und nicht als Wertgutachten und sagt, es könne ein professionelles Gutachten nicht ersetzen. Eine landesweite Genauigkeitszahl für ein kostenloses Verbrauchertool sagt wenig darüber aus, wie ein Kreditgebermodell bei einer ländlichen Refinanzierung oder einer ungewöhnlichen Immobilie abschneidet.

Wie die Modelle einen Wert erzeugen

AVMs greifen auf eine breite Palette von Eingaben zurück: Aufzeichnungen über öffentliches Eigentum, Urkunden- und Transaktionshistorie, Steuerbescheide, Auflistungsdaten, Quadratmeterzahl, Grundstücksgröße, Alter, Anzahl der Schlafzimmer und Badezimmer sowie in der Nähe vergleichbare Verkäufe. Einige Systeme beziehen Nachbarschaftsmerkmale, Preisindizes und Pc-Imaginative and prescient-Analysen von Objektfotos ein.

Anbieter bauen AVMs unterschiedlich und keine einzelne Architektur dominiert die Branche. Zu den gängigen Ansätzen gehören hedonische Regression, Wiederholungsverkaufsmodelle, Vergleichsverkaufsalgorithmen, Gradientenverstärkte Bäume und andere Methoden des maschinellen Lernens sowie Ensembles, die mehrere Schätzungen zu einer kombinieren. Ein hedonisches Modell gepaart mit einem Index für wiederholte Transaktionen ist ein gängiges Design und kein Industriestandard, dem jeder Anbieter folgt.

Die meisten AVMs geben mehr als eine einzelne Zahl zurück. Zu den typischen Ausgaben gehören eine Punktschätzung, ein Konfidenzwert oder eine prognostizierte Standardabweichung, ein geschätzter Wertebereich und bei vielen Produkten eine Liste vergleichbarer Eigenschaften oder der Faktoren, die die Schätzung beeinflussen.

Die Genauigkeit ändert sich mit der Eigenschaft und den Daten

Mit Stand vom 17. Juli 2026 meldete Zillow eine landesweite mittlere Fehlerquote von etwa 1,8 % für auf dem Markt befindliche Häuser und etwa 7 % für nicht auf dem Markt befindliche Häuser. Die Lücke verdeutlicht, wie Listungsinformationen und aktuelle Marktsignale eine Schätzung schärfen können, aber die verbraucherorientierten Zahlen von Zillow belegen nicht die Leistung jedes AVM mit Kreditgeberqualität.

Ein mittlerer Fehler von 1,8 % bedeutet, dass die Hälfte der förderfähigen Schätzungen innerhalb von 1,8 Prozentpunkten des endgültigen Verkaufspreises landet und die andere Hälfte weiter entfernt landet. Die Zahl sagt nichts über die Leistung des Modells bei einer einzelnen Immobilie aus, auch nicht bei der, die ein Kreditsachbearbeiter gerade prüft.

On-Market-Modelle können Listenpreise, Angebotsbeschreibungen und aktuelle Marktaktivitäten einbeziehen – Informationen, die eine Schätzung präzisieren, wenn ein Verkauf näher rückt. Off-Market-Modelle funktionieren ohne Listenpreissignale, daher ist die Genauigkeit für ein denkmalgeschütztes Haus ein schlechter Indikator für einen Kreditgeber, der eine nicht börsennotierte Refinanzierung oder ein ländliches Grundstück bewertet.

Ältere Zahlen, die im Web kursieren, wie beispielsweise eine behauptete 2 % bis 4 % On-Market-Reichweite und 5 % bis 10 % Off-Market-Reichweite für „High“-AVMs, gehen auf gemischte Branchenaggregate und nicht auf eine einzige überprüfbare Studie zurück. Kreditgeber, die einen Anbieter bewerten, sollten nach den rückgetesteten Zahlen des Anbieters oder einer unabhängigen Validierung fragen, nicht nach Zahlen aus einem Blogbeitrag.

Eine Handvoll Begriffe tauchen in jedem ernsthaften Gespräch über Genauigkeit auf:

• Medianer absoluter prozentualer Fehler (MdAPE): die mittlere prozentuale Differenz zwischen der Schätzung eines Modells und dem letztendlichen Verkaufspreis.
• Trefferquote: der Anteil der Schätzungen, die innerhalb einer definierten Spanne landen, z. B. 5 %, 10 % oder 20 % des Verkaufspreises.
• Abdeckung: der Anteil der Eigenschaften, für die das Modell überhaupt eine Schätzung erstellen kann.
• Vertrauenswert: ein herstellerspezifisches Zuverlässigkeitssignal; Die Skalen unterscheiden sich je nach Anbieter und sind nicht direkt vergleichbar.
• Prognosestandardabweichung: die geschätzte Unsicherheit um einen Punktwert.

Die fünf Kontrollen in der Bundesregel

Das OCC, das Federal Reserve Board, die FDIC, die NCUA, die CFPB und die FHFA haben die Regel gemeinsam erlassen. Sie gilt insbesondere für Hypothekengeber und Sekundärmarktemittenten, die ein AVM zur Bestimmung des Sicherheitenwerts für eine gedeckte Kreditentscheidung oder Verbriefungsentscheidung in Bezug auf die Hauptwohnung eines Verbrauchers verwenden. Screening-Instruments, interne Überwachungs-Dashboards und die Schätzung, die ein Immobilienmakler einem Hausbesitzer vorlegt, liegen außerhalb des direkten Einflussbereichs der Regel.

Abgedeckte Institutionen müssen Kontrollen entwerfen, die auf fünf Ergebnisse abzielen:

1. Ein hohes Maß an Vertrauen in die erstellten Schätzungen.
2. Schutz vor Datenmanipulation.
3. Vermeidung von Interessenkonflikten.
4. Stichprobenprüfung und unabhängige Überprüfung.
5. Einhaltung der geltenden Antidiskriminierungsgesetze.

Der fünfte Faktor ist der neueste. Dodd-Frank nannte die ersten vier, als der Kongress das Gesetz im Jahr 2010 verabschiedete. Die Behörden fügten bei der Regelsetzung die Nichtdiskriminierung hinzu. Durch die Ergänzung wurde eine Anforderung zur fairen Kreditvergabe in einen Rahmen für die Datenqualität integriert.

Die Agenturen entschieden sich für eine prinzipienbasierte Struktur gegenüber einer festen Formel. Kein Regeltext legt einen Mindestprozentsatz für die Genauigkeit, eine vorgeschriebene Stichprobengröße oder eine bestimmte Fairnessmetrik fest. Diese Flexibilität ermöglicht es einer Kreditgenossenschaft mit fünf Niederlassungen, ihre Kontrollen anders zu skalieren als einer Nationalbank, die jedes Quartal Hypotheken in Milliardenhöhe verbrieft. Sie bedeutet aber auch, dass die Advertising-Scorecard eines Anbieters allein keinen Beweis für die Einhaltung der Vorschriften darstellt.

Wo Voreingenommenheit in das System eindringen kann

Der Nichtdiskriminierungsfaktor besteht, weil ein auf verzerrten Eingaben trainiertes Modell die in die Daten eingebrannten Muster reproduzieren und manchmal verstärken kann. Die Bundesregulierungsbehörden sind nicht zu dem Schluss gekommen, dass jede AVM diskriminierend ist. Die Sorge ist enger und mechanischer: Trainingsetiketten, die durch historisch ungleiche Märkte, Datenqualitätslücken zwischen Stadtteilen, mit geschützten Merkmalen korrelierte Proxy-Variablen, ungleiche Modellabdeckung und Rückkopplungsschleifen, die Bewertungs-, Kreditvergabe- und zukünftige Transaktionsdaten verbinden, geprägt sind.

Compliance-, Rechts- und Modellrisikoteams kombinieren im Allgemeinen mehrere Prüfungen, anstatt sich auf eine Metrik zu verlassen: Vergleichen von AVM-Schätzungen mit den anschließenden marktüblichen Verkaufspreisen, Aufschlüsselung der Leistung nach Area und Immobilientyp, Untersuchen vollständiger Fehlerverteilungen anstelle eines einzelnen Durchschnitts, Verfolgen von Abdeckungs- und No-Hit-Raten, Testen von Ergebnissen über rechtmäßige demografische und Proxy-Gruppierungen hinweg, Überprüfen der Datenherkunft, Dokumentieren von Überschreibungen und Überwachen von Abweichungen im Laufe der Zeit.

Der Regeltext nennt die Zensus-Tract-Analyse nicht als erforderlichen Take a look at. Die Überprüfung von Volkszählungsgebieten kann innerhalb eines umfassenderen Programms eine nützliche Methode sein, aber die Verordnung geht davon aus, sie oder eine einzelne geografische Einheit als obligatorisch vorzuschreiben.

So bewerten Sie einen AVM-Anbieter

Schieben Sie Ihren Verkäufer an der Verkaufsplattform vorbei. Fragen Sie nach:

• Umfang: die Immobilientypen und Transaktionstypen, für die das Modell erstellt und validiert wird.
• Validierungsverlauf: die Länge der Schulungs- und Validierungszeiträume und ob eine unabhängige Partei die Ergebnisse überprüft hat.
• Segmentierte Genauigkeit: MdAPE, Trefferquoten und Abdeckung, aufgeschlüsselt nach Geografie und Immobilienklasse, kein einziger nationaler Durchschnitt.
• Vertrauenskalibrierung: wie sich der Konfidenzwert auf beobachtete Ergebnisse im Zeitverlauf abbildet.
• Prüfung auf faire Kreditvergabe: Welche Disparitätstests werden in welchem ​​Rhythmus ausgeführt und was passiert, wenn eine Lücke auftritt?
• Datenherkunft: Woher die Eingaben kommen, wie oft sie aktualisiert werden und wie schnell sich eine Korrektur ausbreitet.
• Änderungsmanagement: Was löst eine erneute Validierung nach einer Modell- oder Datenaktualisierung aus?
• Manipulation und Konfliktkontrolle: wer einen Output beeinflussen kann und wie der Anbieter dies verhindert.
• Vertragsbedingungen: Prüfungsrechte und Anforderungen zur Meldung von Vorfällen.
• Fallback-Logik: Was passiert automatisch, wenn eine Immobilie einen niedrigen Konfidenzwert oder gar keine Schätzung zurückgibt?

So verwenden Sie AVMs sicher

Sie reduzieren die Gefährdung, indem Sie Leitplanken rund um das Modell aufbauen und nicht nur bei der Anbieterauswahl. Legen Sie eine Vertrauensschwelle fest, unterhalb derer ein menschlicher Prüfer übernimmt. Eskalieren Sie ungewöhnliche Immobilien, ländliche Parzellen und kürzliche Renovierungen standardmäßig zur manuellen Überprüfung. Validieren Sie den Output des Anbieters anhand Ihrer historischen Daten, bevor Sie ihm im großen Maßstab vertrauen. Führen Sie für Transaktionen mit höherem Risiko mehr als ein Modell parallel aus. Achten Sie auf Abweichungen, wenn sich die lokalen Märkte verändern. Protokollieren Sie jede Außerkraftsetzung mit einem angehängten Grund. Passen Sie die Bewertungsmethode an die Transaktion an, anstatt standardmäßig das Device zu verwenden, das am schnellsten eine Antwort liefert.

Compliance-Checkliste

Größe erfordert Governance

AVMs werden für die Hypothekarkreditvergabe immer wichtiger, weil sie etwas bieten, was Gutachten nicht leisten können: Geschwindigkeit, konsistente Abdeckung und geringere Kosten professional Akte. Die 2025-Regel stellt den Wert, den AVMs bieten, nicht in Frage. Es stellt die Annahme in Frage, dass eine schnelle Schätzung automatisch eine fundierte ist. Kreditgeber, die die AVM-Ausgabe als geregelte Eingabe behandeln, die anhand von Datenqualität, Equity und menschlichem Urteilsvermögen geprüft wird, werden den Normal erfüllen. Kreditgeber, die einen Rating als eine sich selbst bestätigende Antwort betrachten, werden auf die harte Tour feststellen: Schnelligkeit und Zuverlässigkeit waren nie dasselbe.

Liquid AI hat zwei bidirektionale Encoder mit offenem Gewicht herausgebracht, LFM2.5-Encoder-230M Und LFM2.5-Encoder-350M. Bei beiden handelt es sich um maskierte Sprachmodelle, die auf dem LFM2-Hybrid-Spine basieren. Beide verfügen über einen 8.192-Token-Kontext.

Encoder sitzen unter Klassifikatoren, Intent-Routern, Sicherheitsfiltern und PII-Detektoren. Diese Jobs werden kontinuierlich ausgeführt, normalerweise ohne GPU, und zunehmend auch bei längeren Eingaben. BERT gründete die Klasse. ModernBERT hat seine Genauigkeit, Geschwindigkeit und seinen Kontext verbessert. Das Argument von Liquid AI ist, dass die LFM2-Architektur diese Linie fortsetzt, da ihre Kosten langsamer steigen, wenn die Eingaben länger werden.

Wie aus einem Decoder ein Encoder wurde

Die Encoder werden nicht von Grund auf trainiert. Sie werden von initialisiert LFM2.5-230M und LFM2.5-350M Decoder-Backbones, dann mit drei Änderungen konvertiert:

• Zunächst wird die kausale Aufmerksamkeitsmaske durch eine bidirektionale ersetzt, sodass jeder Token beide Seiten berücksichtigt.
• Zweitens werden die kurzen LFM2-Faltungen durch symmetrisches Mittenauffüllen nicht-kausal gemacht, sodass die Faltung jedes Tokens Nachbarn auf beiden Seiten mischt.
• Drittens wird das Modell mit einem maskierten Sprachmodellierungsziel bei einer Maskierungsrate von 30 % trainiert. Das ist dichter als die 15 % von BERT, da Liquid AI Beweise dafür anführt, dass eine höhere Maskierungsrate in diesem Maßstab hilfreich ist.

Das Coaching verläuft in zwei Etappen:

• Stufe eins etabliert allgemeine Sprachkompetenz mit einem MLM-Ziel für kurze Kontexte auf einem großen Webkorpus mit 1.024 Token.
• Stufe zwei erweitert den Kontext auf 8.192 Token im gesamten Datenmix und stärkt so die Sach-, Rechts- und Mehrsprachigkeitskompetenz.

Architektonisch verschachtelt das Spine Gated Brief-Convolution-Blöcke mit gruppierter Abfrageaufmerksamkeit, das gleiche Design, das im beschrieben wird Technischer LFM2-Bericht. Beide Prüfpunkte verwenden eine versteckte Größe von 1024 und ein Vokabular von 65.536 Token und unterstützen 15 Sprachen. Die Lizenz ist die LFM Open License v1.0.

In der folgenden Einbettung werden die Konvertierung, die vollständige Rangliste, die Punktzahlen professional Aufgabe und die CPU-Latenzzahlen aufgeschlüsselt.

Die Benchmark-Ergebnisse

Liquid AI bewertete 14 Modelle anhand von 17 Aufgaben aus GLUE, SuperGLUE und mehrsprachiger Klassifizierung. Jedes Modell wird für jede Aufgabe vollständig feinabgestimmt, und die gemeldete Punktzahl ist das Ergebnis dieses feinabgestimmten Modells.

Der LFM2.5-Encoder-350M erreicht einen 17-Aufgaben-Mittelwert von 81,02 (±1,00) und belegt damit den vierten Platz. Die drei Modelle davor sind alle größer. Sie sind XLM-R XL bei 3,5B (83,06), ModernBERT-large bei 395M (81,68) und XLM-R giant bei 560M (81,34). Das Topmodell ist quick zehnmal so groß.

Der LFM2.5-Encoder-230M erreicht 79,29 (±1,02) und belegt damit den sechsten Platz. Es schlägt ModernBERT-Foundation um 78,19 und alle EuroBERT Modell in der Tabelle, einschließlich EuroBERT-610M (75,87) und EuroBERT-2.1B (72,19). Beide neuen Encoder schneiden auch besser ab als die eigenen Abrufgeschwister von Liquid AI, LFM2.5-ColBERT-350M (76,18) und LFM2.5-Embedding-350M (75,68). Diese Lücke ist der erklärte Grund, warum Liquid AI einen Allzweck-Encoder entwickelt hat, anstatt die Retriever wiederzuverwenden.

Die Methodik ist der interessantere Teil, und das ist sie auch Open-Supply unter Apache-2.0. Jedes Modell ist mit fp32-Mastergewichtungen und bf16-Autocast geladen, sodass in der Tabelle eher Modelle als Zahlenformate verglichen werden. Jedes Modell verwendet das gleiche AdamW-Rezept, das der EuroBERT-Karte entnommen ist. Die Lernrate wird professional Modell und Aufgabe über 10 Raten und 3 Seeds ausgewählt. Die Ergebnisse werden dann als Mittelwert über 5 frische Samen angegeben, die nie mit der Selektion in Berührung gekommen sind. Der transformers Die Model ist auf 4.56.2 fixiert, sodass die Abhängigkeitsdrift keine unkontrollierte Variable ist.

Anwendungsfälle und Bereitstellungsumgebungen

Die Veröffentlichung nennt drei Einstellungen. Edge- und eingebettete Geräte stehen an erster Stelle. Der integrierte Pc eines Autos oder ein Industriecontroller verfügen über keine Ersatz-GPU und können sich einen Cloud-Roundtrip nicht leisten. Regulierte und lokale Systeme in den Bereichen Finanzen, Gesundheitswesen und Recht, bei denen Dokumente lang und vertraulich sind und die interne Infrastruktur nicht verlassen können. Und kostenempfindliche Pipelines mit hohem Volumen, bei denen ein kleiner Encoder als kostengünstiger erster Durchgang vor einem größeren Modell fungiert.

Liquid AI gibt auch eine nützliche Zahl in das Kontextfenster ein: 8.192 Token entsprechen ungefähr 13 bis 15 Seiten. Ein Vorwärtspass deckt einen vollständigen Vertrag oder eine vollständige Patientenakte ab.

Um zu zeigen, wie ein fein abgestimmter Encoder aussieht, hat das Forschungsteam fünf Demos verschickt. Jeder läuft in einem nur für die CPU verfügbaren Hugging Face House. Sie decken ab Zero-Shot-Immediate-Routing, Zero-Shot-Coverage-FusselnUnd Rechtschreibprüfung. A PII-Detektor verarbeitet 40 Informationstypen in 16 Sprachen. Ein Bonus maskierte Verbreitung Demo führt den Encoder als Chatbot aus, der durch iterative Demaskierung generiert.

Bringt sie zum Laufen

Beide Encoder laden durch transformers. Der Körper wird als freigelegt Lfm2BidirectionalModel und maskierte LM-Ladeanwendungen Lfm2BidirectionalForMaskedLM. Beide sind durchverdrahtet auto_mapAdditionally trust_remote_code=True ist bei jedem Ladeaufruf erforderlich.

Ein Foundation-Encoder erzeugt allgemeine Darstellungen und keine Aufgabenausgaben, daher ist eine Feinabstimmung erforderlich. Flüssige KIs Tutorial zur Feinabstimmung Durchläuft lange Rechtsdokumente in einer 8K-Kontextkonfiguration. Die Anleitung zur Modellauswahl ist unkompliziert: 350 MB, wenn es auf die Genauigkeit ankommt, 230 MB für engere {Hardware} oder höheren Durchsatz.