Episode 2231 - July 5 - Phần 4 của 5 – Chương 8 – ChatGPT trong bất động sản - Vina Technology at AI time - Lê Quang Văn | Podcast - Nhac.vn

Chương 8 - ChatGPT trong bất động sản – Phần 4 của 5

Trích từ sách Beyond AI

Tác giả: Ken Huang và đồng sự.

Nhà xuất bản: Springer. 2023.

Lê Quang Văn, dịch, giải thích và thực hiện phần kỹ thuật số.

3 - Những Thách Thức của ChatGPT và AI tạo sinh trong Bất Động Sản

Việc sử dụng ChatGPT và các hệ thống AI tạo sinh khác trong kinh doanh bất động sản cũng đặt ra nhiều thách thức tiềm tàng. Dưới đây là một số ví dụ về các thách thức này.

3.1 - Chất Lượng Dữ Liệu

Dữ liệu về tài sản thường rối ren và không đầy đủ, dẫn đến các dự đoán không chính xác và các mô hình thiên vị. Để giải quyết thách thức này, các doanh nghiệp bất động sản cần đầu tư vào quá trình thu thập và làm sạch dữ liệu chất lượng cao, cũng như phát triển các thuật toán để nhận diện và sửa lỗi trong dữ liệu.

Dưới đây là ba ví dụ về cách chất lượng dữ liệu có thể ảnh hưởng đến việc sử dụng các mô hình AI tạo sinh trong bất động sản:

Dữ liệu không đầy đủ hoặc bị thiếu: Dữ liệu bất động sản có thể không đầy đủ hoặc bị thiếu, dẫn đến các dự đoán không chính xác và các mô hình thiên vị. Ví dụ, một mô tả tài sản có thể thiếu các chi tiết quan trọng như số lượng phòng ngủ hoặc phòng tắm, điều này có thể ảnh hưởng đến độ chính xác của mô hình định giá hoặc mô tả tài sản của AI tạo sinh. Tương tự, nếu thiếu dữ liệu về khu vực xung quanh hoặc tiện ích gần đó, điều này có thể ảnh hưởng đến khả năng dự đoán chính xác giá trị của tài sản của mô hình.

Lỗi dữ liệu: Các lỗi trong dữ liệu bất động sản cũng có thể ảnh hưởng đến độ chính xác của các mô hình AI tạo sinh. Ví dụ, nếu diện tích của một tài sản được liệt kê không chính xác trong dữ liệu, điều này có thể ảnh hưởng đến định giá của mô hình về tài sản đó. Tương tự, nếu dữ liệu chứa các lỗi về vị trí của tài sản, chẳng hạn như tên đường bị sai chính tả hoặc mã ZIP không chính xác, điều này có thể ảnh hưởng đến khả năng dự đoán chính xác giá trị của tài sản hoặc tạo ra mô tả.

Để giải quyết các vấn đề này, cần có một nỗ lực tập trung từ ngành bất động sản, bao gồm đầu tư vào quá trình thu thập và làm sạch dữ liệu chất lượng cao, và phát triển các thuật toán để nhận diện và sửa lỗi trong dữ liệu. Ngoài ra, cần cam kết xác định và giảm thiểu các thiên vị trong dữ liệu và quá trình mô hình hóa, bao gồm xem xét các yếu tố như chủng tộc và dân tộc khi huấn luyện các mô hình AI. Bằng cách giải quyết các thách thức này, ngành bất động sản có thể đảm bảo rằng các mô hình AI tạo sinh là chính xác, không thiên vị, và minh bạch, và có thể tận dụng toàn bộ sức mạnh của AI để thay đổi cách chúng ta mua, bán, và định giá tài sản.

3.2 - Thiên Vị Dữ Liệu

Thiên vị là một yếu tố quan trọng cần xem xét khi sử dụng các mô hình AI tạo sinh trong bất động sản. Thiên vị có thể xảy ra khi dữ liệu lịch sử được sử dụng để huấn luyện mô hình bị thiên vị, hoặc khi bản thân mô hình chứa các thiên vị ngầm. Dưới đây là một số chi tiết thêm về thiên vị trong các mô hình AI tạo sinh trong bất động sản.

Thiên vị lịch sử: Các thiên vị lịch sử trong dữ liệu bất động sản có thể duy trì sự phân biệt đối xử và bất bình đẳng. Ví dụ, các chính sách redlining lịch sử, nơi các khu vực nhất định được coi là "rủi ro cao" để cho vay dựa trên thành phần chủng tộc của khu vực, đã có những ảnh hưởng lâu dài đến giá trị tài sản và tỷ lệ sở hữu nhà cho các cộng đồng màu da. Nếu dữ liệu bị thiên vị này được sử dụng để huấn luyện một mô hình AI, nó có thể duy trì các thiên vị này và dẫn đến các kết quả không chính xác và phân biệt đối xử.

Thiên vị mô hình: Các mô hình AI tạo sinh bản thân nó cũng có thể chứa các thiên vị, chẳng hạn như các thiên vị ngầm trong các thuật toán được sử dụng để tạo ra mô hình hoặc trong dữ liệu được sử dụng để huấn luyện nó. Ví dụ, nếu dữ liệu được sử dụng để huấn luyện một mô hình chỉ bao gồm các tài sản cao cấp, mô hình có thể không dự đoán chính xác giá trị của các tài sản thấp cấp hơn. Tương tự, nếu mô hình cho rằng các tiện nghi nhất định, chẳng hạn như trường tư hoặc câu lạc bộ đồng quê, có giá trị hơn các tiện nghi khác, điều này có thể dẫn đến