Власник авто фотографує вм'ятину на смартфон і хоче дізнатися, у скільки обійдеться ремонт — без візиту в сервіс. Традиційна оцінка вимагає огляду експертом і займає годину, а помилки в розрахунках призводять до розбіжностей зі страховою. Наше рішення зводить час оцінки до секунд і мінімізує людський фактор. Задача не просто розпізнати дефект, а розрахувати реальну вартість з урахуванням регіону, марки машини та поточних цін на деталі. Ми розробляємо такий пайплайн під ключ: від детекції до кошторису у форматі PDF. Замовте консультацію — оцінимо ваш проект за 2–3 тижні для MVP. Вартість залежить від вимог.
Як працює пайплайн оцінки?
Оцінка вартості — не прямий вивід нейромережі. Це багатокроковий детермінований розрахунок:
Фото → Детекція пошкоджень → [тип, серйозність, площа, локалізація] ↓ Нормативна база ремонту (нормо-години за типом робіт) ↓ Регіональні розцінки (вартість нормо-години) ↓ Вартість запчастин (OEM vs aftermarket) ↓ Підсумкова оцінка [min, expected, max] Нейромережа використовується тільки на першому кроці — все інше розрахунок по базах даних. Ми використовуємо YOLOv8 для детекції, яку донавчаємо на датасеті з 50 000+ фотографій пошкоджень.
Як скористатись:
- Сфотографуйте пошкодження через додаток.
- Вкажіть марку, модель та рік авто.
- Отримайте кошторис із розбивкою за секунди.
Нормативні бази ремонту
У Росії де-факто стандарт — Audatex (тепер Solera) та GT Motive. Вони містять нормо-години за кожною операцією для кожного автомобіля: заміна переднього крила Toyota Camry XV70 — 2.4 н/г, рихтування — 1.8 н/г, фарбування — 3.2 н/г. Доступ до API — через партнерську угоду.
Для MVP без дорогих ліцензій використовуємо відкриті бази Mitchell1, AllData (США) або власну базу з публічних прайс-листів СТО через scraping + нормалізацію. Наш досвід — 8+ років у мобільній розробці, 30+ проектів для автострахування. Наша команда має сертифікати від Audatex та GT Motive, гарантію на результат — 100% задоволення.
// iOS: запит розрахунку вартості struct DamageCostRequest: Codable { let vehicleInfo: VehicleInfo // марка, модель, рік 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? } // Відповідь містить розбивку по позиціях 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 // розцінки змінюються let disclaimer: String } struct CostLineItem: Codable { let description: String // "Заміна переднього бампера" let damageType: DamageType let panelLocation: PanelLocation // front_bumper, hood, etc. let laborHours: Double let laborCostPerHour: MoneyAmount let partsCost: MoneyAmount? let repairVsReplaceRecommendation: RepairOption } Repair vs replace — ключовий фактор вартості
Для кожного пошкодження система рекомендує: ремонт (рихтування + фарбування) або заміну деталі. Правило спрощено:
Логіка прийняття рішення repair vs replace
func recommendRepairOption( damage: DamageDetection, panel: PanelInfo ) -> RepairOption { let damageAreaRatio = damage.maskAreaPx / panel.totalAreaPx // Якщо пошкодження > 40% площі деталі → заміна, не ремонт if damageAreaRatio > 0.4 { return .replace } // Структурні пошкодження → тільки заміна if damage.severity == .structural { return .replace } // Якщо ремонт дорожчий за 70% вартості нової деталі → заміна let repairEstimate = calculateRepairCost(damage, panel) let partPrice = panel.partPrice.aftermarket if repairEstimate > partPrice * 0.7 { return .replace } return .repair } AI-оцінка в 5 разів швидша за ручну експертизу та виключає людську помилку при розрахунку трудозатрат. Значна економія для страхової компанії щомісяця. Економія на масштабі — до 60% бюджету на оцінку збитку. Типовий проект скорочує витрати на значні суми.
Наша система використовує computer vision для автострахування, забезпечуючи автоматичний кошторис ремонту.
Автомобілі, відсутні у нормативній базі
Якщо модель або кузов не знайдені в Audatex/GT Motive, система використовує найближчий аналог з поправочним коефіцієнтом. Для рідкісних автомобілів ми підключаємо розрахунок за фотографіями пошкоджень та експертною оцінкою. Альтернативно, клієнт може завантажити власні розцінки через CSV або API. Гнучкість архітектури дозволяє адаптуватися під будь-яку марку.
Порівняння методів оцінки
| Метод | Швидкість | Точність | Вартість інтеграції |
|---|---|---|---|
| Ручна експертиза | 30–60 хв на випадок | 95% | Низька (оплата експерта) |
| AI + нормативна база | 2–3 сек | 85–90% | Середня (ліцензії + розробка) |
| Повний AI (без бази) | 1 сек | 50–70% | Висока (не рекомендується) |
Точність AI+нормативна база у 2 рази вища за повний AI без бази.
Порівняння за термінами впровадження
| Варіант | Ліцензії БД | Розробка | Підтримка |
|---|---|---|---|
| MVP з власною базою | Немає | Від 2 тижнів | 3 міс |
| Повна з Audatex/GT | Є | Від 1 місяця | 6 міс |
UI: зрозумілий вивід для нетехнічної аудиторії
Страховий агент або власник автомобіля не читає «ммASDA-норматив 2.4 н/г». Інтерфейс показує зрозумілий breakdown:
@Composable fun CostEstimateScreen(estimate: DamageCostEstimate) { Column(modifier = Modifier.padding(16.dp)) { // Підсумкова сума — великою і першою TotalCostBanner( min = estimate.totalMin, expected = estimate.totalExpected, max = estimate.totalMax ) Spacer(Modifier.height(24.dp)) // Розбивка за статтями SectionHeader("Розбивка витрат") CostBreakdownBar( labor = estimate.laborCost, parts = estimate.partsCost, paint = estimate.paintCost ) Spacer(Modifier.height(16.dp)) // Позиції по пошкодженнях SectionHeader("Пошкодження та роботи") estimate.lineItems.forEach { item -> DamageLineItemCard(item = item) } // Disclaimer — обов'язковий DisclaimerText(text = estimate.disclaimer) } } Діапазон min–expected–max чесніший за точну цифру. Точна цифра створює хибні очікування та призводить до конфліктів при виставленні рахунку від СТО.
Як забезпечується точність оцінки?
Точність досягається комбінацією трьох факторів: якість детекції (YOLOv8, донавчена на 50k+ фото), актуальність нормативної бази (щомісячне оновлення) та регіональні коефіцієнти. Ми також використовуємо інформацію про курс валют та інфляцію для коригування. У середньому відхилення не перевищує 15%, а при використанні повної нормативної бази — 10%. Замовте консультацію — ми покажемо точність на ваших даних.
Що входить у роботу
- Документація API (Swagger/OpenAPI)
- Мобільні SDK для iOS (Swift) та Android (Kotlin)
- Тестовий стенд з 1000+ тестових фото
- Навчання команди замовника (2 дні)
- Підтримка 3 місяці після запуску
Орієнтири за термінами та вартістю
Backend з детекцією пошкоджень (YOLOv8) + розрахунок вартості за фіксованою регіональною базою + мобільний клієнт — 2–3 тижні. Повна система з інтеграцією Audatex/GT Motive, регіональними розцінками, актуальними цінами на запчастини, експортом звіту в PDF та підписом — 1–3 місяці. Зв'яжіться з нами — отримайте консультацію щодо вашого проекту. Бюджет розраховується індивідуально під вимоги.