Рососмотр – новый уровень: Нейронный анализ качества и класса ремонтов в квартирах

Как работает нейросеть

Новая модель определяет уровень отделки по восьми классам — от «без отделки» до «дизайнерского ремонта». Помимо основной метки она возвращает распределение вероятностей по всем классам, что позволяет гибко анализировать пограничные случаи. Например, при высокой вероятности сразу по двум категориям — C1 (стандарт+) и D0 (евроремонт) — эксперт может принять решение с учетом контекста и документации.

Классы ремонта:

• А0 — без отделки
• А1 — white box
• B0 — эконом
• B1 — эконом+
• C0 — стандарт
• C1 — стандарт+
• D0 — евроремонт
• D1 — дизайнерский

Названия классов и описания были уточнены и утверждены совместно с представителями рынка.

Автоматизация анализа — шаг к точности

Внедрение этой нейросети открывает возможность автоматизировать один из самых трудозатратных этапов оценки недвижимости — анализ фотографий объекта.

Это особенно актуально при массовых проверках в ипотеке, страховании и перепродаже залогов. Система:

• Устраняет субъективность при оценке уровня отделки;
• Позволяет банкам и страховым компаниям стандартизировать подход к классификации ремонтов;
• Упрощает массовую аналитику портфеля и ускоряет процессы принятия решений.
• Влияние на расчет стоимости залога
• Класс ремонта — один из факторов, влияющих на итоговую оценку стоимости объекта. Например:
• Квартира с классом C1 (стандарт+) при прочих равных оценивается выше, чем аналогичная с B1 (эконом+);
• Для новостроек без отделки различие между А1 (white box) и B0 (эконом) также критично, особенно при внутренней оценке залога в банках.

Автоматическая классификация позволяет задать формальные правила расчета и встроить их в цифровые процессы, снижая риски ошибок и улучшая управляемость залоговой базой.

Текущий статус

Нейронка развёрнута на сервере, доступна через API и через специального бота для тестирования. Уже проведено дообучение модели и проверка технических метрик. В ближайшее время она будет запущена на реальных кейсах — сначала в формате тестового набора с ручной проверкой результатов. После этого планируется внедрение формы обратной связи и накопление статистики для последующего повышения точности.

Модель работает быстро (1–2 секунды на фотографию) и может быть легко адаптирована под требования конкретной компании — в том числе с учетом разных подходов к классификации или привязки классов к ценовым диапазонам.