Реалізація AI-оцінки вартості пошкоджень за фото у мобільному застосунку

AI-Оцінка вартості пошкоджень за фотографією у мобільних застосунках

Детекція пошкоджень (попередній етап)—технічна задача. Оцінка вартості ремонту—задача на стику computer vision, баз даних нормативів й бізнес-логіки конкретної країни. Одна й та ж вмятина на крилі обійдеться по-різному в Москві й Варшаві, у офіційного дилера й у незалежному сервісі. Система повинна це розуміти.

Архітектура оціночного конвеєра

Оцінка вартості—не прямий вивід нейросмережі. Це багатокроковий розрахунок:

Фото → Детекція пошкоджень → [тип, серйозність, площа, локалізація]
                                          ↓
                             Нормативна база ремонту
                             (нормо-години за типом робіт)
                                          ↓
                             Регіональні расценки
                             (вартість нормо-години)
                                          ↓
                             Вартість запчастин
                             (OEM vs aftermarket)
                                          ↓
                             Итогова оцінка [min, expected, max]

Нейросмережа використовується тільки на першому кроці—усе інше—детермінований розрахунок за базами даних.

Нормативні бази ремонту

У Росії стандарт де-факто—AUDATEX (тепер Solera) та GT Motive. Вони містять нормо-години за кожною операцією для кожного автомобіля: заміна переднього крила Toyota Camry XV70—2,4 нормо-години, рихтовка—1,8 нормо-години, фарбування—3,2 нормо-години. Доступ до API—через партнерське угоду.

Для MVP без дорогих ліцензій: відкриті бази Mitchell1, AllData (США) або власна база за публічними прайс-листами СТО—через scraping + нормалізацію.

// iOS: запит розрахунку вартості
struct DamageCostRequest: Codable {
    let vehicleInfo: VehicleInfo           // марка, модель, рік
    let damageDetections: [DamageDetection]
    let repairLocation: RepairLocation     // місто, країна
    let repairType: RepairType             // дилер, сертифікований, незалежний
}

struct VehicleInfo: Codable {
    let make: String
    let model: String
    let year: Int
    let bodyType: BodyType
    let vin: String?
}

// Відповідь з розбивкою 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           // расценки 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
}

Логіка ремонту vs заміни

Для кожного пошкодження система рекомендує: ремонт (рихтовка + фарбування) або заміна деталі. Правило спрощено:

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 дорожче 70% вартості нової деталі → заміна
    let repairEstimate = calculateRepairCost(damage, panel)
    let partPrice = panel.partPrice.aftermarket
    if repairEstimate > partPrice * 0.7 { return .replace }

    return .repair
}

UI: зрозумілий вивід для нетехнічної аудиторії

Страховий агент або власник автомобіля не читає «ММАSDA-норматив 2,4 н/ч». Інтерфейс повинен показувати зрозумілу розбивку:

@Composable
fun CostEstimateScreen(estimate: DamageCostEstimate) {
    Column(modifier = Modifier.padding(16.dp)) {

        // Итогова сума—крупно й першою
        TotalCostBanner(
            min = estimate.totalMin,
            expected = estimate.totalExpected,
            max = estimate.totalMax
        )

        Spacer(Modifier.height(24.dp))

        // Розбивка по статтях
        SectionHeader("Розбивка витрат")
        CostBreakdownBar(
            labor = estimate.laborCost,
            parts = estimate.partsCost,
            paint = estimate.paintCost
        )

        Spacer(Modifier.height(16.dp))

        // Позиції по пошкодженням
        SectionHeader("Пошкодження й 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 ложні очікування й приводить до конфліктів при виставленні рахунку від СТО.

Орієнтири за часом

Backend з детекцією пошкоджень (YOLOv8) + розрахунком вартості за фіксованою регіональною базою + мобільний клієнт iOS/Android—2–3 тижні. Повна система з інтеграцією Audatex/GT Motive, регіональними расценками, актуальними цінами на запчастини, експортом звіту в PDF й підписом—1–3 місяці.