Entwicklung einer AI-App mittels Machine Learning zur Vorhersage von Immobilienwerten

Inhaltsverzeichnis

1 Einleitung

2 Theoretische Grundlagen
2.1 Artificial Intelligence
2.2 Machine Learning

3 Entwicklungsprozess für eine AI Anwendung

4 Entwicklung einer AI-App zur Immobilienpreis Prognose
4.1 Business Understanding
4.2 Data Understanding
4.3 Data Preparation
4.4 Modeling
4.5 Evaluation
4.6 Deployment

5 Diskussion

6 Fazit

7 Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Kernaspekte der Künstlichen Intelligenz

Abbildung 2: Machine Learning im Vergleich zu traditioneller Programmierung

Abbildung 3: Cross-industry standard process for data mining (CRISP-DM)

Abbildung 4: Punktdiagram mit Beziehung von Jahres-Merkmalen und Verkaufspreis

Abbildung 5: Programmcode zur Erstellung des Modelles für Random Forest

Abbildung 6: Ergebnistabelle der Evaluation

Tabellenverzeichnis

Tabelle 1: Gängige Lernstile und häufig verwendete Modelle

1 Einleitung

Microsoft-Chef Satya Nadella: „Künstliche Intelligenz ist nicht einfach nur eine weitere Technologie, es könnte eine der wirklich grundlegenden Technologien sein, die Menschen jemals entwickelt haben.“(Wittpahl, 2019, S. 5)

Artificial Intelligence (AI) ist eine Spitzentechnologie und zugleich ein multidisziplinärer Bereich der Forschung, der in den vergangenen Jahren wachsende Aufmerksamkeit auf sich gezogen hat. Mittels der Weiterentwicklungen im Machine Learnings (maschinelles lernen) wurde eine Vielzahl an Durchbrüchen möglich, wie maschinelle Übersetzung, Sprachassistenten (z.B. Alexa, Siri, etc.) und automatisierte Untertitel in Videos. Diese Technologien sind in den letzten Jahren bereits alltäglich geworden und helfen dabei, das Leben bequemer und besser informiert zu gestalten.(Kersting et al., 2019; Liu et al., 2021; van der Maas et al., 2021)

Mit Hilfe von Machine Learning (ML) lassen sich heute bereits kleinere AI-Applikation (engl. für Anwendung, Kurzform Apps) erstellen, mit denen Fragen zu den unterschiedlichsten Themen beantwortet werden können. Ein immer wieder relevantes Thema die Prognose von Verkaufspreisen ist sowohl für Kunden interessant als auch für Unternehmen wie Banken, Versicherungen und Immobilienmakler.(Joshi, 2020)

Die Wertermittlung beruht meistens auf denselben Grundlagen, der Bausubstanz der Immobilie und das Umfeld in der sie sich befindet.(Joshi, 2020)Die Umfeld-Informationen werden regelmäßig in Statistiken von Unternehmen und öffentlichen Behörden bereitgestellt, jedoch ist die Wertermittlung mit Hilfe dieser für die meisten Konsumenten und Sachbearbeiter nicht ohne weiteres möglich. Dabei kann Machine Learning helfen diese Daten auszuwerten und einen Verkaufswert zu prognostizieren.

Welche Maßnahmen sind daher notwendig bei der Entwicklung einer AI-App mittels Machine Learning für die Vorhersage von Immobilienwerten?

Für die vorliegende Frage wird sich diese Arbeit mit der Vorhersage von Preisen für Wohnimmobilien beschäftigen. Dabei sollen Maßnahmen aufgezeigt werden, mit denen eine AI-App mit Hilfe von Machine Learning entwickelt werden kann. Dazu wird zunächst grundlegende Begriffe im folgenden Kapitel 2 näher erläutert. Im Kapitel 3 werden die notwendigen Maßnahmen für die Entwicklung einer AI-App aufgezeigt und im anschließenden Kapitel 4 in Bezug auf die gestellte Fragestellung beispielhaft umgesetzt. Die Arbeit wird mit einer Diskussion der Ergebnisse in Kapitel 5 und einem Fazit in Kapitel 6 abgeschlossen.

2 Theoretische Grundlagen

Um die im Kapitel 1 vorgestellte Forschungsfrage beantworten zu können werden in diesem Kapitel die dafür erforderlichen theoretischen Grundlagen geschaffen. Dazu werden die Begriffe Artificial Intelligence und Machine Learning sowie deren Beziehung zueinander in den folgenden Kapiteln erklärt.

2.1 Artificial Intelligence

Alan Turing definierte Artificial Intelligence wie folgt:

“Wenn sich hinter einem Vorhang eine Maschine befindet und ein Mensch mit ihr interagiert (z. B. Akustisch oder durch Berührung usw.) und wenn der Mensch das Gefühl hat, mit einem anderen Menschen zu interagieren, dann ist die Maschine künstlich intelligent.” Frei übersetzt nach(Joshi, 2020, S. 4)

Der Begriff Artificial Intelligence, im Deutschen „Künstliche Intelligenz“ (KI), beschreibt Maschinen oder Technologien, die im Stande sind, menschliche kognitive Fähigkeiten nachahmen können, wie z.B. das Lösen von Problemen und zählt als das Resultat der Integration von Computertechnologie und anderer wissenschaftlicher Disziplinen. Mathematiker John McCarthy prägte den Begriff 1955, um damit das Potenzial von Maschinen zu erklären die Aufgaben intelligenter Tätigkeiten ausführen können und gilt als Vater der künstlichen Intelligenz. Dabei ist bisher noch nicht festgelegt was „intelligent“ genau bedeutet.(Döbel, Leis, Molina Vogelsang et al., 2018)

Bisherige Anwendungen, bei denen von KI gesprochen wird, stimmen mit der oben genannten Definition noch nicht überein. Die bisher in einer Vielzahl von Apps, Webseiten und Geräten eingesetzten KI-Funktionen verfügen aber bereits über die Fähigkeiten komplexe Aufgaben wie(Joshi, 2020):

- liefern von Suchergebnissen und Empfehlungen basierend auf Interessen und Präferenzen von Nutzern aus früheren Abfragen,
- das Verstehen der menschlichen Sprache,
- ausführen komplexer mechanischer Bewegungen und
- lösen komplexer computerbasierter Probleme in kurzer Zeit, die große Datenmengen beinhalten, und Antworten auf menschenähnliche Weise zurückgeben

Bisher scheint es keine allgemein akzeptierte Definition von KI zu geben (Buiten 2019; Wang 2019) in(Liu et al., 2021). Um daher KI besser verstehen zu können ist es wichtig einige der folgenden Schlüsselaspekte zu kennen, da diese konvergieren und KI oft als Sammelbegriff fungiert (sieheAbbildung 1).(Wittpahl, 2019; Wennker, 2020; Khanagar et al., 2021; Liu et al., 2021)

- Artificial Intelligence / Künstliche Intelligenz, bezeichnet das Übertragen anspruchsvoller kognitiver Leistungen an Computeralgorithmen und gilt als die Fähigkeit von Maschinen eine eigene Form von Intelligenz aufzuweisen. Um Probleme zu lösen können diese Maschinen aus Daten lernen(Khanagar et al., 2021)(Kuhn, 2021)(Liu et al., 2021)
- Machine Learning, im Deutschen maschinelles Lernen, ist ein Teilaspekt von KI, mit dem Zweck Maschinen das Lernen aus Daten zu erleichtern, damit diese Probleme ohne menschliches Zutun lösen können. Dies wird erreicht durch Algorithmen, die mit Datensätzen trainiert werden, um die Prognosen basierend auf diesen treffen können.(Khanagar et al., 2021)(Kuhn, 2021)Näheres dazu im nachfolgenden Kapitel2.2.
- Neural Networks, im Deutschen neuronale Netze, sind eine Reihe von Algorithmen, die Signale über künstliche Neuronen berechnen. Mit dem Ziel, dass diese wie das menschliche Gehirn funktionieren. Diese werden mit Hilfe von ML entwickelt und benötigen eine große Menge an Daten für ihr Training.(Khanagar et al., 2021)(Kuhn, 2021)
- Deep Learning, ist eine Komponente des maschinellen Lernens, die das Netzwerk mit den verschiedenen Rechenschichten in einem tiefen neuronalen Netzwerk nutzt, um die Eingabedaten zu analysieren. Der Zweck von Deep Learning besteht darin, ein neuronales Netzwerk aufzubauen, das automatisch Muster identifiziert, um die Erkennung von Merkmalen zu verbessern. Sie sammeln Merkmale aus der abstrahierten Filterschicht und werden hauptsächlich verwendet, um große und komplexe Bilder zu verarbeiten. (Khanagar et al., 2021)(Kuhn, 2021)

Abbildung 1 : Kernaspekte der Künstlichen Intelligenz

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung in Anlehnung an(Khanagar et al., 2021), basierend auf(Joshi, 2020), (Khanagar et al., 2021),(Kuhn, 2021)

2.2 Machine Learning

Geprägt wurde der Begriff Machine Learning (zu dt. maschinelles lernen) 1959 von Arthur Samuel. Dabei bezieht er sich auf ein Computer Programm, das Lernen kann ein Verhalten zu erzeugen, ohne dazu programmiert worden zu sein. Vereinfacht ausgedrückt lernt ein solches System Muster, Zusammenhänge und Gesetzmäßigkeiten aus vorliegenden Daten und kann diese anschließend auf neue Daten anwenden. Im Unterschied zu einem statischen, auf Regeln basierenden Programm können sie Probleme lösen die sich nur schwer als eine Sequenz von Befehlen ausdrücken lassen, ebenso können sie ihre Entscheidungsregeln über eine Rückkoppelung an das Erlernte anpassen (sieheAbbildung 2).(Döbel, Leis, Molina Vogelsang et al., 2018),(Wittpahl, 2019)(Bisong, 2019)(Joshi, 2020)(Wennker, 2020)

Abbildung 2 : Machine Learning im Vergleich zu traditioneller Programmierung

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung in Anlehnung an(Wittpahl, 2019)

Das sogenannte Modell wird im Machine Learning mittels Lernalgorithmen anhand von Trainingsdaten (z.B. Erfahrungswerten, Transaktionshistorien, etc.) trainiert, um Muster, Zusammenhänge und Gesetzmäßigkeiten in den Daten zu erkennen und auf neue Datensätze anzuwenden. Das maschinelle Lernen erfolgt dabei in vier Schritten(Kersting et al., 2019),(Alqudah & Yaseen, 2020)(Joshi, 2020):

1. Vorbereitung : Identifizieren von Klassen aus den Trainingsdaten
2. Training : Erstellen eines Modells unter Verwendung des Trainings-Datensatzes, das durch den ML-Algorithmus trainiert wird.
3. Test : Bewerten der Vorhersage auf ihre Genauigkeit. Ist diese nicht akzeptabel, wird das Modell-Training mit dem ML-Algorithmus mit einem erweiterten Trainings-Datensatz wiederholt
4. Anwendung : Verwenden des trainierten Modells, um unbekannte Daten zu klassifizieren und eine Vorhersage zu treffen

Die Lernalgorithmen lassen sich in drei Haupttypen von Lernstile einteilen:

- Supervised Learning (Überwachtes Lernen): Dabei sind die Ergebnisse bekannt und teil des Lernvorgangs. Das Modell wird hierbei mit einem bekannten und markierten Beispieldatensatz auf eine gewünschte Interpretation der Daten trainiert. Um neue Vorhersageausgaben bei definierten Eingabevariablen und Ausgabevariablen zu erzeugen. Beim überwachten Lernen wird das Lernen fortgesetzt, bis der Algorithmus ein akzeptables Leistungsniveau erreicht. Der Algorithmus sagt ständig Ergebnisse basierend auf Trainingsdaten voraus und wird laufend korrigiert.

[...]