KI in der Finanzierungs- und Immobilienindustrie

Auch in der Immobilienwirtschaft geht es primär um Anwendungen an der Schnittstelle zwischen Unternehmen und Kunden. Viele Makler bewerben sich heute um die gleichen Mandate. Kundeninformationen im Rahmen des Akquisitionsprozesses können hier den entscheidenden Wettbewerbsvorteil bieten, ebenso wie gezielte Scorings auf die Abschlusswahrscheinlichkeit und/oder die Vermarktbarkeit des Objektes. So kann bereits in der ersten Phase des Vermittlungs- und Vermarktungsprozesses der Vertrieb gezielt gesteuert und Skaleneffekte bei der Produktivität ausgenutzt werden. Auf der Käuferseite können hingegen durch gezielte Mappings zwischen angebotenen Objekten und Suchkunden Produktivitätssteigerungen erzielt werden. Dazu wird der Kunde, zusätzlich zu den von ihm verfassten Suchkriterien, auch digital vermessen – die Basis dazu sind seine eigenen Angaben und externe Daten die – selbstverständlich DSGVO konform – gesammelt werden. Auf dieser Grundlage werden ihm in Echtzeit passende Angebote überspielt.

Vertrauen in KI Anwendungen

Die daraus entstehenden Wachstumspotentiale sind enorm, ebenso wie die Notwendigkeit althergebrachte Prozesse auf den Prüfstand zu stellen. Unternehmen, die diesen Weg gehen, stehen häufig vor der Frage, wie weit man den Modellen trauen bzw. vertrauen kann. Die Lösung heißt LIME (Local Interpretative Model agnostic Explanation) - LIME schließt die Lücke zwischen der initialen Business-Fragestellung, die Ausgangspunkt einer jeden Modell-Entwicklung ist und der Frage warum das Modell welche Entscheidung getroffen hat. Damit macht LIME Modelle erklärbar und transparent, was normalerweise nicht Bestandteil der Entwicklung statistischer Modelle ist.2016 von Marco Ribeiro, Sameer Singh und Carlos Guestrin entwickelt, kann LIME von jedem Klassifikationsalgorithmus verwendet werden, z.B. Random Forest, Gradient Boosting oder Neuronale Netze. Und es funktioniert mit verschiedenen Datentypen, wie Tabellen, Bildern oder Text.

Die Basis von LIME bilden drei Konzepte:

•  Erklärungen werden nicht global für das gesamte Modell gefunden, sondern lokal und für jede Instanz separat.
• Erklärungen werden anhand von ursprünglichen Variablen gefunden, auch wenn das gelernte Modell mit Abstraktionen arbeitet.
• Erklärungen werden für die wichtigsten Variablen gegeben, indem ein einfaches Modell lokal an die Vorhersagen angepasst wird.

Es ist also durchaus möglich, auch komplexe Modelle erklärbar zu machen. Dies kann als Grundvoraussetzung gesehen werden, um das Vertrauen in KI basierte Anwendungen und Modelle zu stärken und diese in alle Bereiche mit einfließen zu lassen. Zusammenfassend lässt sich feststellen, dass künstliche Intelligenz auch in der Finanz- und Immobilienindustrie auf dem Vormarsch ist, es fehlen jedoch noch ausreichend Use-Cases und an einigen Stellen das Vertrauen in die Welt der Algorithmen. Aufhalten oder umkehren lassen wird sich der Prozess sicher nicht mehr. Wenn künftig zusätzliche digital-ethische und DSGVO-Grundsätze berücksichtigt werden, werden wir in den nächsten Jahren Zeuge einer digitalen Revolution, die unsere Arbeitswelt nachhaltig verändern wird.

Gastbeitrag von Dr. Stefan Schulte, Leiter Big Data & Data Science PlanetHome Group GmbH