Делимся кейсом: год назад мы запустили в проде CV-инструмент для внутренних оценщиков повреждений авто в крупной испанской страховой. Под NDA не называем имени, но цифры показываем.
Задача
Оценщик получает фотографии повреждённого авто (5–15 снимков). Нужно идентифицировать класс повреждений (царапина, вмятина, замена детали), оценить площадь и предварительно посчитать стоимость по справочнику. До нас процесс занимал 25–40 минут на кейс.
Архитектура
- Детекция элементов кузова (YOLOv9, fine-tune на датасете заказчика 12 тыс. фото).
- Сегментация повреждений (SAM2 + кастомный классификатор).
- Оценка площади через гомографическое выравнивание по референсной 3D-модели машины.
- LLM-агент готовит draft отчёта по фиксированному шаблону.
- Оценщик финализирует, при необходимости правит, подписывает.
Что получилось
- Среднее время оценки: с 32 до 11 минут (-66%).
- Полнота описания повреждений: пропущенных элементов −80%.
- Согласованность оценок между оценщиками: коэффициент Каппа 0.82 (раньше 0.61).
Где упёрлись
На редких марках (мотоциклы, спецтехника) точность падает до неприемлемого. Решили - на этих типах автоматика отключается, оценщик работает по-старому. Не все задачи нужно автоматизировать.
Второй упор - освещение. Снимки в полутёмном паркинге дают шум на сегментации. Внедрили предобработку через простую CNN, выровняли качество.