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 долларов.
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.
