Владелец авто фотографирует вмятину на смартфон и хочет узнать, во сколько обойдётся ремонт — без визита в сервис. Традиционная оценка требует осмотра экспертом и занимает час, а ошибки в расчётах приводят к разногласиям со страховой. Наше решение сводит время оценки к секундам и минимизирует человеческий фактор. Задача не просто распознать дефект, а рассчитать реальную стоимость с учётом региона, марки машины и текущих цен на детали. Мы разрабатываем такой пайплайн под ключ: от детекции до сметы в формате PDF. Закажите консультацию — оценим ваш проект за 2–3 недели для MVP.
Как работает пайплайн оценки?
Оценка стоимости — не прямой вывод нейросети. Это многошаговый детерминированный расчёт:
Фото → Детекция повреждений → [тип, серьёзность, площадь, локализация] ↓ Нормативная база ремонта (нормо-часы по типу работ) ↓ Региональные расценки (стоимость нормо-часа) ↓ Стоимость запчастей (OEM vs aftermarket) ↓ Итоговая оценка [min, expected, max] Нейросеть используется только на первом шаге — всё остальное расчёт по базам данных. Мы используем YOLOv8 для детекции, которую дообучаем на датасете из 50 000+ фотографий повреждений.
Нормативные базы ремонта
В России де-факто стандарт — Audatex (теперь Solera) и GT Motive. Они содержат нормо-часы по каждой операции для каждого автомобиля: замена переднего крыла Toyota Camry XV70 — 2.4 н/ч, рихтовка — 1.8 н/ч, покраска — 3.2 н/ч. Доступ к API — через партнёрское соглашение.
Для MVP без дорогих лицензий используем открытые базы Mitchell1, AllData (США) или собственную базу с публичных прайс-листов СТО через scraping + нормализацию. Наш опыт — 8+ лет в мобильной разработке, 30+ проектов для автострахования.
// iOS: запрос расчёта стоимости struct DamageCostRequest: Codable { let vehicleInfo: VehicleInfo // марка, модель, год let damageDetections: [DamageDetection] let repairLocation: RepairLocation // city, country let repairType: RepairType // dealer, certified, independent } struct VehicleInfo: Codable { let make: String let model: String let year: Int let bodyType: BodyType let vin: String? } // Ответ содержит разбивку по позициям struct DamageCostEstimate: Codable { let lineItems: [CostLineItem] let laborCost: MoneyAmount let partsCost: MoneyAmount let paintCost: MoneyAmount let totalMin: MoneyAmount let totalExpected: MoneyAmount let totalMax: MoneyAmount let currency: String let validUntilDate: Date // расценки меняются let disclaimer: String } struct CostLineItem: Codable { let description: String // "Замена переднего бампера" let damageType: DamageType let panelLocation: PanelLocation // front_bumper, hood, etc. let laborHours: Double let laborCostPerHour: MoneyAmount let partsCost: MoneyAmount? let repairVsReplaceRecommendation: RepairOption } Почему repair vs replace — ключевой фактор стоимости?
Для каждого повреждения система рекомендует: ремонт (рихтовка + покраска) или замена детали. Правило упрощённо:
func recommendRepairOption( damage: DamageDetection, panel: PanelInfo ) -> RepairOption { let damageAreaRatio = damage.maskAreaPx / panel.totalAreaPx // Если повреждение > 40% площади детали → замена, не ремонт if damageAreaRatio > 0.4 { return .replace } // Структурные повреждения → только замена if damage.severity == .structural { return .replace } // Если ремонт дороже 70% стоимости новой детали → замена let repairEstimate = calculateRepairCost(damage, panel) let partPrice = panel.partPrice.aftermarket if repairEstimate > partPrice * 0.7 { return .replace } return .repair } AI-оценка в 5 раз быстрее ручной экспертизы и исключает человеческую ошибку при расчёте трудозатрат. Экономия на масштабе — до 60% бюджета на оценку ущерба. Типичный проект сокращает затраты на несколько сотен тысяч рублей.
Что делать, если автомобиль отсутствует в нормативной базе?
Если модель или кузов не найдены в Audatex/GT Motive, система использует ближайший аналог с поправочным коэффициентом. Для редких автомобилей мы подключаем расчёт по фотографиям повреждений и экспертной оценке. Альтернативно, клиент может загрузить собственные расценки через CSV или API. Гибкость архитектуры позволяет адаптироваться под любую марку.
Сравнение методов оценки
| Метод | Скорость | Точность | Стоимость интеграции |
|---|---|---|---|
| Ручная экспертиза | 30–60 мин на случай | 95% | Низкая (оплата эксперта) |
| AI + нормативная база | 2–3 сек | 85–90% | Средняя (лицензии + разработка) |
| Полный AI (без базы) | 1 сек | 50–70% | Высокая (не рекомендуется) |
Сравнение по срокам внедрения
| Вариант | Лицензии БД | Разработка | Поддержка |
|---|---|---|---|
| MVP с собственной базой | Нет | От 2 недель | 3 мес |
| Полная с Audatex/GT | Есть | От 1 месяца | 6 мес |
UI: понятный вывод для нетехнической аудитории
Страховой агент или владелец автомобиля не читает «ммASDA-норматив 2.4 н/ч». Интерфейс показывает понятный breakdown:
@Composable fun CostEstimateScreen(estimate: DamageCostEstimate) { Column(modifier = Modifier.padding(16.dp)) { // Итоговая сумма — крупно и первой TotalCostBanner( min = estimate.totalMin, expected = estimate.totalExpected, max = estimate.totalMax ) Spacer(Modifier.height(24.dp)) // Разбивка по статьям SectionHeader("Разбивка расходов") CostBreakdownBar( labor = estimate.laborCost, parts = estimate.partsCost, paint = estimate.paintCost ) Spacer(Modifier.height(16.dp)) // Позиции по повреждениям SectionHeader("Повреждения и работы") estimate.lineItems.forEach { item -> DamageLineItemCard(item = item) } // Disclaimer — обязателен DisclaimerText(text = estimate.disclaimer) } } Диапазон min–expected–max честнее точной цифры. Точная цифра создаёт ложные ожидания и приводит к конфликтам при выставлении счёта от СТО.
Как обеспечивается точность оценки?
Точность достигается комбинацией трёх факторов: качество детекции (YOLOv8, дообученная на 50k+ фото), актуальность нормативной базы (ежемесячное обновление) и региональные коэффициенты. Мы также используем информацию о курсе валют и инфляции для корректировки. В среднем отклонение не превышает 15%, а при использовании полной нормативной базы — 10%. Закажите консультацию — мы покажем точность на ваших данных.
Что входит в работу
- Документация API (Swagger/OpenAPI)
- Мобильные SDK для iOS (Swift) и Android (Kotlin)
- Тестовый стенд с 1000+ тестовых фото
- Обучение команды заказчика (2 дня)
- Поддержка 3 месяца после запуска
Ориентиры по срокам и стоимости
Backend с детекцией повреждений (YOLOv8) + расчёт стоимости по фиксированной региональной базе + мобильный клиент — 2–3 недели. Полная система с интеграцией Audatex/GT Motive, региональными расценками, актуальными ценами на запчасти, экспортом отчёта в PDF и подписью — 1–3 месяца. Свяжитесь с нами — получите консультацию по вашему проекту. Бюджет рассчитывается индивидуально под требования.