Die genaue Ermittlung des Wertes eines Eigenheims ist nicht nur ein wichtiger Faktor bei Immobilientransaktionen und Hypothekarkrediten, sondern auch ein wesentlicher Bestandteil der Schaffung von Haushaltsvermögen, da Wohneigentum weiterhin einer der wichtigsten Wege für Amerikaner ist, um Wohlstand aufzubauen. Ungenaue Einschätzungen und Bewertungen können sich auf die Art der Hypothekenfinanzierung auswirken, die ein potenzieller Käufer erhält, ob ein Verkäufer beim Verkauf seines Eigenheims einen fairen Wert erzielt oder ob ein Eigenheimbesitzer die Möglichkeit hat, Eigenheimkapital zu erschließen.
Traditionell wird eine Immobilienbewertung von einem zertifizierten Gutachter durchgeführt – eine Praxis, die von Branchenführern in jüngster Zeit anerkannt wurde, kann zu Voreingenommenheit und Diskriminierung für bestimmte Kreditnehmer und Märkte beitragen. Ein Ergebnis war die historische Unterbewertung von Häusern in mehrheitlich schwarzen Vierteln. Was kann also getan werden, um Verzerrungen und Ungleichheiten im Bewertungsprozess abzumildern? Die Antwort liegt in der Weiterentwicklung der Bewertungstechnologie.
Zunächst müssen wir erkennen, dass traditionelle Bewertungen eine einzigartige Mischung aus Kunst und Wissenschaft sind. Die „Wissenschaft“ basiert auf harten Daten und Analysen: frühere Hausverkäufe, kombiniert mit Informationen über die Immobilie und den Standort. Die Kunst basiert auf dem Fachwissen des Gutachters: der professionellen Beurteilung des Immobilienzustands und des Vergleichs mit anderen verkauften Häusern. Leider unterliegt diese Kunstform von Natur aus menschlichen Vorurteilen, ob bewusst oder unbewusst.
Betrachten Sie zwei Arten von Verzerrungen, die sich auf die Bewertungswerte auswirken können: Nachbarschaft und Individuum. Die Nachbarschaftsverzerrung wäre vergleichbar mit einem Gutachter, der die Werte für eine gesamte Nachbarschaft neu definiert und anpasst, da in der Region eine bestimmte demografische Gruppe ansässig ist. Diese Art von Verzerrung wirkt sich auf den Wert aller Häuser in diesem Bereich aus.
In der Zwischenzeit deutet eine individuelle Voreingenommenheit auf ein Vorurteil hin, das auf der Rasse, Kultur, dem Geschlecht, der sexuellen Orientierung oder anderen Merkmalen eines Individuums beruht. Wir haben alle die Geschichten von Hausbesitzern von Minderheiten gelesen, die ihre Familienfotos versteckt und kulturelle Hinweise aus dem Haus entfernt haben, in der Hoffnung, einen fairen Schätzwert zu gewährleisten. Diese Art von Voreingenommenheit und Diskriminierung kann in jeder Nachbarschaft auftreten.
Der Prozess der Bewertung von Eigenheimen hat jedoch begonnen, sich weiterzuentwickeln, und bietet neue Möglichkeiten, um Verzerrungen aus dem Bild zu entfernen. Im letzten Jahr haben Einschränkungen der persönlichen Bewertungen während der Pandemie in Verbindung mit technologischen Fortschritten die Akzeptanz alternativer Bewertungsprodukte, einschließlich automatisierter Bewertungsmodelle (AVMs), beschleunigt.
Der Vorteil dieser Modelle ist ihre Fähigkeit, das Potenzial für Verzerrungen zu minimieren, indem sie sich mehr auf die „Wissenschaft“ und weniger auf die „Kunst“ konzentrieren. Da sich die Branche immer mehr auf modellbasierte Lösungen wie AVMs verlässt, zeichnet sich das Versprechen genauer und unparteiischer Bewertungen ab.
Vorhersagemodelle selbst haben im Gegensatz zu Menschen keine Emotionen und daher keine inhärenten Vorurteile. Es ist jedoch wichtig zu verstehen, dass Modelle nur so gut sind wie die Daten, die ihnen zugeführt werden (oder nicht). Die meisten Daten für Immobilienbewertungen werden persönlich von derselben Person gesammelt, die den Endwert bestimmt, wodurch diese Werte für menschliche Vorurteile anfällig werden. Selbst wenn technologiebasierte Alternativen auf persönliche Beurteilungen angewendet werden, können sich voreingenommene Daten auf Werte auswirken, wenn sie nicht erkannt werden.
Zum Beispiel geht ein Gutachter durch ein Haus und bemerkt unbewusst kulturelle Elemente. Die Schätzung liegt 40.000 US-Dollar unter dem Marktwert, und infolgedessen verkauft sich das Haus zu einem niedrigeren Preis. Jetzt ist dieser Verkauf Teil des Datensatzes, der zukünftige Bewertungen und Hausverkäufe in der Nachbarschaft beeinflusst. Eine AVM verwendet diesen Verkaufsdatensatz als Teil der Formel, um den Wert zu schätzen. Somit kann die Verzerrung in Daten auch dann fortbestehen, wenn die menschliche Komponente scheinbar aus dem Prozess entfernt wird.
Glücklicherweise verfügen wir mit den Fortschritten bei der Modellierung nun über die Technologie und die Werkzeuge, um diese Probleme zu beheben. Die Lösung besteht darin, unsere Modelle zu trainieren, um Verzerrungen im historischen Datensatz zu identifizieren und zu beseitigen und neue Daten in das Modellierungswerkzeug einzuspeisen, das frei von menschlichen Verzerrungen ist:
- Datenerweiterung – Manchmal sind die für die Modellierung verfügbaren Daten in Breite oder Tiefe unzureichend. Diese „dünnen“ Datensätze können zu ungenauen Ergebnissen führen. Durch die Ergänzung dieser Daten durch zusätzliche Zusatzinformationen oder die Aufteilung der Daten in Bestandteile können Modelle manchmal die Genauigkeit erhöhen. Anstatt beispielsweise ein Konzept wie „Nachbarschaft“ als einzelne Eingabe zu verwenden, können wir einzelne Variablen wie das Alter des Hauses oder die Entfernung zu anderen Strukturen als separate Dateneingaben behandeln, die zu einer individuelleren Bewertung führen können Konvertieren Sie weitere Informationen aus begrenzten Daten.
- Maschinelles und tiefes Lernen – Diese ausgeklügelten Algorithmen analysieren nicht nur Daten und suchen nach Mustern, sondern korrigieren und verfeinern auch ihre Schlussfolgerungen basierend auf neuen und sich ändernden Daten. Auf diese Weise können Maschinen lernen, Ungenauigkeiten oder „Rauschen“ von den Daten zu trennen und sich stattdessen auf die relevantesten Informationen zu konzentrieren, die konsistent die genauesten Bewertungen ohne Verzerrung liefern. Neuronale Netze sind ein hervorragendes Beispiel dafür, wie moderne Analysen das menschliche Verhalten nachahmen können, während sie möglicherweise Verzerrungen beseitigen. Während die Erklärbarkeit oder die Fähigkeit, Ergebnisse zu rechtfertigen, in Modellen erforderlich ist, kann die Erklärbarkeit der Unterschiede zwischen den Ergebnissen zweier Gutachter oft auch wie eine Black Box erscheinen.
- Künstliche Intelligenz – Der vielleicht aufregendste Ansatz zur Verringerung der Voreingenommenheit ist das Wachstum der künstlichen Intelligenz. Eine vielversprechende Disziplin, die als Computer Vision bekannt ist, analysiert Bilder, um ein Haus zu bewerten, in dem praktisch kein menschlicher Input vorhanden ist. Indem wir dem Modell nicht die Demografie des Hausbesitzers oder der Nachbarschaft mitteilen, können wir das Haus genau wie den Gutachter sehen, aber nicht hilfreiche, nachteilige Daten ausschließen. Auf diese Weise können wir beginnen, unbeabsichtigte menschliche Vorurteile zu beseitigen und durch Objektivität zu ersetzen.
Genaue Immobilienbewertungen sind sowohl für Kreditgeber als auch für Kreditnehmer von wesentlicher Bedeutung, spielen jedoch auch eine Schlüsselrolle bei der Bereitstellung von Wohneigentum, der Schaffung von Wohneigentum und dem Aufbau von Generationenvermögen. Während AVMs das Potenzial haben, objektive Bewertungen ohne menschliche Vorurteile zu liefern, stützen sie sich auf Daten, die von Menschen gesammelt wurden, wodurch sie anfällig für Vorurteile werden.
Fortschrittliche Technologie kann helfen, diese Fehler zu überwinden, indem Daten erweitert und Prozesse angewendet werden, die zu gerechteren und genaueren Schlussfolgerungen führen.
Künstliche Intelligenz und automatisierte Bewertungslösungen beseitigen möglicherweise nicht die menschlichen Vorurteile in der breiteren Wohnungswirtschaft oder beseitigen alle modellbedingten Vorurteile bei den Bewertungen, aber sie bringen uns der Schaffung eines fairen Systems einen Schritt näher, damit alle Amerikaner von ihrem Traum vom Wohneigentum profitieren können. Es ist wichtig, das Ziel der Reduzierung von Verzerrungen zu teilen, und wir sollten Modelle einbeziehen, die darauf trainiert sind, Verzerrungen zu minimieren oder zu beseitigen, um diese Mission zu erreichen.
Diese Spalte spiegelt nicht unbedingt die Meinung der Redaktion von HousingWire und ihrer Eigentümer wider.
So kontaktieren Sie den Autor dieser Geschichte:
Steve Gaenzler beim [email protected].
So kontaktieren Sie den für diese Geschichte verantwortlichen Herausgeber:
Sarah Wheeler bei[email protected]
Die Post Wird KI das Problem der Beurteilungsverzerrung lösen? erschien zuerst auf HousingWire.