Building the Neural Zestimate

Zillow · 2023 · 4. Điều chỉnh · Độ khó: Trung bình — bài gốc

Bối cảnh

Zestimate ra 2/2006 cho 40 triệu nhà, cập nhật hằng tháng; nay hơn 100 triệu nhà, cập nhật vài lần mỗi tuần.
Hệ trước: một chuỗi mô hình riêng rẽ theo vùng nhỏ (thường theo county): tính biến động giá vùng → điều chỉnh giá bán lịch sử theo biến động → ensemble mô hình ước lượng giá đã điều chỉnh → gộp ensemble. Tức hàng nghìn mô hình theo vùng; phức tạp, khó bảo trì, không tối ưu chung được (mô hình điều chỉnh giá train riêng với mô hình ước lượng).
Zillow Prize (2017–2019, giải 1 triệu USD trên Kaggle, hơn 3.700 đội): đội thắng hơn benchmark của Zillow khoảng 13%; cách nổi bật là một mạng neural nhận dữ liệu thô, gộp các bước vốn tách rời.

6/2021 ra Neural Zestimate: một mô hình toàn quốc học chung mọi bước.
Vị trí: kết hợp vùng hành chính với lưới địa lý nhiều độ phân giải (giống S2/H3), mỗi ô là một giá trị categorical, mỗi cấp là một feature, học embedding.
Thời gian: tách thành xu hướng (số liên tục) và mùa vụ (feature tuần hoàn) để tránh nhảy bậc giữa 31/12 và 1/1.
Quantile regression cho ra khoảng giá; khoảng quá rộng thì ẩn Zestimate.
Đánh giá bằng backtest trên dữ liệu sau thời điểm train.
Kết quả hơn một năm sau: sai số tương đối giảm hơn 15% toàn quốc; median error 7,49% cho hơn 100 triệu nhà không rao bán; ít mô hình phải train, deploy, bảo trì nên tính nhanh hơn với một phần nhỏ chi phí trước đây (theo Zillow). Xây trên AI Platform mới của Zillow.

Nhiều mô hình nhỏ theo vùng phản ánh giả định về thị trường địa phương nhưng tạo chi phí vận hành lớn; một mô hình có biểu diễn vị trí đủ mịn giữ được tính địa phương mà gộp được vận hành (Nền tảng ML (feature, training, serving, giám sát model)).

Gộp chuỗi mô hình nối tiếp thành một mô hình học chung khi các bước phụ thuộc nhau.
Cho mô hình nói "không biết" (ẩn kết quả khi khoảng tin cậy quá rộng).
Cuộc thi bên ngoài có thể chỉ hướng kiến trúc, còn đưa vào production vẫn cần dữ liệu đầy đủ và nền tảng ML.