يجب أن تعلم | في صلب الموضوع | للاطلاع | رقم اليوم | شخصية اليوم | مصطلح اليوم
كيف غيّر الذكاء الاصطناعي قواعد اللعبة في سوق العقارات؟
قد تبدو العقارات المبنية من الطوب والإسمنت وكأنها الشيء الملموس الوحيد المتبقي في عالم افتراضي متنامٍ، لكن الذكاء الاصطناعي بدأ يستولي عليها أيضاً. وتستخدم بعض أكبر الأسماء في هذا المجال، مثل (Compass) و(Zillow) و(LoanSnap)، الآن الذكاء الاصطناعي لمساعدة المشترين في الحصول على الرهن العقاري الأنسب والعثور على المنزل المثالي. وبالنسبة لوكلاء العقارات، فقد يكون هذا بالفعل عامل تغيير في قواعد اللعبة.
معظم بيانات العقارات عامة، من سجلات الأراضي إلى مستندات الملكية وسعر الشراء وحتى امتيازات الرهن العقاري. المشكلة هي أن الذهاب إلى المكاتب المحلية والحصول على جميع المعلومات عملية شاقة، لكن ليس بعد الآن، فيمكن لخوارزميات الكمبيوتر الآن المرور عبر ملايين المستندات في ثوانٍ، والبحث في قيم الممتلكات ومستويات الديون وتجديدات المنازل وحتى بعض المعلومات الشخصية لمالك المنزل.
تستخدم (LoanSnap)، شركة الرهن العقاري في سان فرانسيسكو، الذكاء الاصطناعي في الخطوات المختلفة لعملية الرهن العقاري، بدءاً من العثور على نوع القرض المثالي للمقترض إلى العثور على المستثمر المناسب للقرض. أولاً، يتم إدخال المعلومات المالية للمقترض، ثم "يأخذ النظام كل تلك المعلومات ويتنبأ بها في المستقبل وينظر في الآلاف من الخيارات"، كما يقول كارل جاكوب، الرئيس التنفيذي للشركة.
وبالرغم من أن الذكاء الاصطناعي يمكن أن يكون مفيداً للمقترضين، إلا أنه يبدو أيضاً منجم ذهب لوكلاء العقارات الذين يبحثون عن قوائم في سوق الإسكان شديدة التنافسية اليوم. وقال جوزيف سيروش، كبير مسؤولي التكنولوجيا في (Compass)، وهي شركة سمسرة عقارية: "كان الوكيل التقليدي يطرق أبواب الكثير من المنازل.. أما الآن يساعدك الذكاء الاصطناعي في العثور على المنازل التي من المرجح أن يتم بيعها خلال الـ 12 شهراً القادمة، ويقوم بذلك عن طريق تثليث جميع البيانات المرتبطة بالمنزل، مثل آخر مرة تم فيها بيع المنزل، ومدة حيازة المالك له".
وقال سيروش أيضاً إن وكلاء Compass لديهم فرصة أكبر بنسبة 94٪ للفوز بإدراج محتمل يستهدفونه باستخدام الذكاء الاصطناعي أكثر من ذي قبل. ومن المفترض أن يقوم الوكلاء بتسعير المنزل بشكل أكثر دقة واستهداف التسويق بشكل أكثر تحديداً.
أما بالنسبة لأولئك الذين يبحثون عن منزل، يمكن أن تساعدهم جميع البيانات المتاحة أيضاً في العثور على ما يبحثون عنه بالضبط، بدلاً من التجول في منزل بعد آخر. وباستخدام (Compass) للذكاء الاصطناعي، يمكنهم تقييم سعر عقاراتهم مقارنة بالعقارات الأخرى في السوق، والبحث عن أنواع معينة من المنازل في مواقع محددة للغاية، وإدخال لقطات مربعة من المساحات الداخلية والخارجية، ثم الحصول على تنبيهات فورية عند حدوث شيء ما هام في السوق.
الرابط
خبيرة ذكاء اصطناعي: ينبغي أن نوازن بين النماذج القوية والتحيزات المحتملة
مع استمرار المطورين في إطلاق أدوات ذكاء اصطناعي جديدة، يتزايد خطر استمرار التحيزات الضارة التي تتضمنها تلك الأدوات، خاصة في أعقاب عام مثل 2020، الذي جعلنا نعيد تصور الكثير من معاييرنا الاجتماعية والثقافية التي تم تدريب خوارزميات الذكاء الاصطناعي عليها منذ فترة طويلة. وترى أندريا جاجليانو، رئيسة قسم علوم البيانات في شركة جيتي إيمدجز (Getty Images)، أننا بحاجة إلى الاعتراف بحقيقة أن مجموعة قليلة من النماذج الأساسية تعتمد على قدر كبير من بيانات التدريب التي تجعلها قوية بطبيعتها، لكنها لا تخلو في الوقت نفسه من التحيزات الضارة.
ولشرح هذا الأمر، تقول جاجليانو -في مقال نشرته في موقع "تك كرانش"- إن نماذج الذكاء الاصطناعي الحالية غالباً ما تكون مدربة مسبقاً ومفتوحة المصدر، ما يسمح للباحثين والشركات على حد سواء بتطبيق الذكاء الاصطناعي بسرعة وتكييفه وفقاً لاحتياجاتهم الخاصة. ولكن على الرغم من أن هذا النهج يجعل الذكاء الاصطناعي متاح تجارياً بشكل أكبر، إلا أن له جانباً سلبياً وهو أن غالبية تطبيقات الذكاء الاصطناعي عبر الصناعات والقارات ترتكز على عدد صغير من النماذج. وهذه الأنظمة مثقلة بأوجه تحيز غير مكتشفة أو غير معروفة، ما يعني أن المطورين الذين يكيّفونها مع تطبيقاتهم يعملون على أساس هش.
ووفقاً لدراسة حديثة أجرتها جامعة ستانفورد، فإن المستخدمين يرثون أي تحيزات تحتوي عليها هذه النماذج الأساسية أو البيانات المُستخدمة لتطويرها، وبالتالي تزداد فرص تضخيمها. وتضرب الكاتبة هنا مثلاً بمجموعة البيانات (YFCC100M) المتاحة للجمهور، والتي كثيراً ما تُستخدم لتدريب النماذج. عند فحص صور الأشخاص الموجودين في مجموعة البيانات هذه، سنلاحظ أن توزيع الصور يميل بشدة نحو الولايات المتحدة، ما يعني وجود نقص في تمثيل الأشخاص الذين يمثلون المناطق والثقافات الأخرى.
تؤدي هذه الأنواع من الانحرافات في بيانات التدريب إلى تطوير نماذج ذكاء اصطناعي تهيمن عليها الثقافات البيضاء أو الغربية بشكل أكبر. وعندما يتم دمج مجموعات بيانات متعددة لإنشاء مجموعات كبيرة من بيانات التدريب، يكون هناك نقص في الشفافية وقد يصبح من الصعب معرفة ما إذا كان لديك مزيج متوازن من الأشخاص والمناطق والثقافات.
الرابط (إنجليزي)
جوجل تطلق مجموعة بيانات جديدة تستند إلى ويكيبيديا لاستخدامها في التعلم الآلي
تُستخدم مجموعات بيانات الصور والنصوص على نطاق واسع في العديد من تطبيقات التعلم الآلي. ولنمذجة العلاقة بين الصور والنصوص، تعتمد معظم النماذج اللغوية المرئية متعددة الوسائط حالياً على مجموعات عملاقة من البيانات. وعادة ما يتم إنشاء هذه المجموعات إما عن طريق إضافة شروح نصية إلى الصور يدوياً، أو تصفح الويب بطريقة ممنهجة (الزحف) واستخراج شرح نصي للصور.
وبالرغم من أن الطريقة السابقة تنتج بيانات أعلى جودة، إلا أن عملية كتابة التعليقات التوضيحية يدوياً تحد من كمية البيانات المُنتجَة. في المقابل، يمكن أن تؤدي طريقة الاستخراج المؤتمة إلى إنشاء مجموعات بيانات أكبر، لكنها تتطلب إجراء عمليات تصفية دقيقة لضمان جودة البيانات أو توسيع نطاق النماذج لتحقيق أداء قوي.
للتغلب على هذه القيود، أنشأ فريق جوجل البحثي مجموعة بيانات عالية الجودة، كبيرة الحجم، متعددة اللغات تسمى مجموعة بيانات نص الصورة المستندة إلى ويكيبيديا (WIT). ويتم إنشاء هذه المجموعة عن طريق استخراج اختيارات نصية متعددة ترتبط بصورة من مقالات شبكة ويكيبيديا وروابط صور مخزن ويكيميديا.
سعى الباحثون لإنشاء مجموعة بيانات كبيرة دون التضحية بالجودة أو شمول المفهوم. لذا، استخدموا أكبر موسوعة متاحة على الإنترنت حالياً: ويكيبيديا. وبدأوا في اختيار الصور من صفحات ويكيبيديا واستخرجوا العديد من روابط نصوص الصور والسياقات المحيطة. وقد أسفر ذلك عن تطوير قاعدة بيانات منسقة تتكون من 37.5 مليون نموذجاً نصياً بـ 108 لغة، بالإضافة إلى 11.5 مليون صورة فريدة.
الرابط (إنجليزي)
|
