Make this article seo compatible, Let there be subheadings for the article, be in french, create at least 700 words
L’intelligence artificielle (IA) et l’apprentissage automatique (ML) offrent des opportunités incroyables pour développer l’accession à la propriété et le logement aux États-Unis. Mais pour que les acheteurs potentiels puissent bénéficier des nouvelles technologies, l’industrie doit trouver un moyen d’éviter les préjugés dans les modèles de prise de décision, selon les experts. dit lundi.
« La plus grande opportunité dans mon esprit à court et moyen terme reste [finding] façons de prendre des données non structurées et de les exploiter et de les transformer en informations machine lisibles par machine », a déclaré Steve Holden, vice-président senior de l’analyse et de la modélisation unifamiliales chez Fannie Mae.
Holden a parlé du thème de l’exploitation de la science des données et des données alternatives pour accroître l’accès à la propriété à Association des banquiers hypothécaires‘s (MBA) Technology Solutions Conference & Expo à San Jose, en Californie, lundi.
L’accent mis par Fannie Mae sur l’intégration de l’apprentissage automatique est d’obtenir un profil riche du risque des consommateurs et de l’utiliser pour évaluer l’aptitude à réussir dans l’accession à la propriété.
En particulier, Holden a noté l’opportunité de former des algorithmes informatiques pour examiner les relevés bancaires et identifier les emprunteurs qui n’ont pas de crédit mais qui effectuent des paiements de loyer réguliers chaque mois.
« Nous devrions considérer que (des paiements de loyer cohérents) dans leur évaluation du risque (par les emprunteurs) (…) Si vous êtes locataire, aucun de ces paiements n’est pris en compte. Donc, cette idée que vous pouvez accéder au relevé bancaire et extraire ces données et les exploiter à partir de la prise de décision est une innovation vraiment puissante et importante pour accéder à certains secteurs de la population », a déclaré Holden.
Compagnies de fusées se concentre sur l’utilisation de la technologie pour puiser dans une clientèle potentielle.
Brian Stucky, responsable de Rocket Ethical AI chez Fusée Centrale, a noté la croissance rapide du taux d’accession à la propriété chez les Hispaniques. D’ici 2040, 70 % des nouveaux propriétaires seront latinos, mais beaucoup pourraient se voir refuser un prêt hypothécaire en raison de leur niveau élevé d’endettement.
« Si les Hispaniques se brouillent souvent à cause du DTI, qu’est-ce que cela signifie? (…) Quelle est la partie de cela que nous pouvons potentiellement examiner pour améliorer un peu parce qu’en fin de compte, cela va élargir la souscription d’une certaine manière pour inclure ces aspects qui pourraient nous aider à identifier les clients qui sont actuellement refusés mais qui seront probablement de bons risques de crédit pour nous », a déclaré Stucky.
Du côté de l’offre de logements, les modèles d’apprentissage automatique pourraient aider à éliminer les biais dans le processus d’évaluation des garanties, Peter Carroll, responsable des politiques publiques et des relations avec l’industrie chez CoreLogica dit.
« J’ai vu des projets de construction entiers à leurs balbutiements (…) s’arrêter net parce qu’il y a une perception qu’il n’y aura pas de ventes de propriétés comparables dans le quartier et donc il n’y aura pas de financement hypothécaire, qui est leur (les constructeurs) à emporter et donc il ne sert à rien de faire le projet », a déclaré Carroll.
Selon le CoreLogic.
Les États, les agences de financement du logement, les divisions de subventions locales des villes et des comtés et les divisions de zonage manifestent un énorme appétit pour s’engager dans ce dialogue, a déclaré Caroll, notant les opportunités de la technologie en ce qui concerne la lutte contre la faible offre de logements.
L’industrie du logement devra trouver comment intégrer l’intelligence artificielle et l’apprentissage automatique tout en empêchant les préjugés de s’infiltrer dans le modèle de prise de décision des entreprises, a-t-il déclaré.
« Vous avez probablement entendu parler de l’apprentissage automatique en tant que boîte noire, il est difficile de regarder et de comprendre pourquoi une décision a été rendue à partir des entrées qui lui ont été données. C’est quelque chose qui devra être surmonté avant que nous ayons une adoption et une utilisation en gros dans l’industrie », a expliqué Stucky.
Expliquer le raisonnement derrière les décisions issues des modèles sera important dans une industrie fortement réglementée comme le logement, a déclaré Holden.
« L’une des choses auxquelles nous pensons beaucoup est lorsque nous obtenons des décisions issues des modèles ou des analyses issues des modèles, expliquant quels sont ces résultats, ce qu’ils signifient et comment ils sont générés. Cela devient beaucoup plus difficile à mesure que vous commencez à vous appuyer davantage sur l’apprentissage automatique et les méthodologies de type IA », a déclaré Holden.