Мобильное приложение для оценки стоимости ремонта по фото с AI

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

Сравнение по срокам внедрения

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.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).