Человеческая экспертиза погнутых крыльев и поцарапанных бамперов — это дорогой анахронизм, который должен был умереть еще пять лет назад. Моя позиция предельно жесткая: восьмидесяти процентам массовых убытков в автостраховании и страховании имущества вообще не нужен человек для принятия решения. Полноценное ИИ-урегулирование убытков в страховании: оценка ущерба по фото за минуты вместо выезда эксперта — это не футуристичный концепт из презентаций, а базовое условие выживания для любой компании, которая считает свой Combined Ratio. Почему бизнес до сих пор гоняет людей с рулетками на осмотры? Потому что владельцы процессов панически боятся мошенничества и ошибок автоматической калькуляции. Но правда в том, что уставший аджастер в пятницу вечером пропускает больше аномалий и завышает больше смет, чем жестко квантизованная модель, крутящаяся на дешевом инференс-сервере.
Под капотом работающей системы нет никакой универсальной магии. Нельзя просто скормить фотографии мультимодальному трансформеру с промптом «оцени стоимость ремонта» и пустить это в прод. То, что хорошо выглядит на хакатонах, под реальной нагрузкой начинает галлюцинировать и генерировать миллионные убытки. Промышленный computer vision для оценки ущерба — это детерминированный конвейер из узкоспециализированных моделей. На первом шаге отрабатывает семантическая сегментация, которая изолирует детали кузова. Модель должна четко понимать, где капот, где фара, а где лобовое стекло, независимо от ракурса. Если на этом этапе уверенность низкая из-за перекрытий или грязи, инференс прерывается. Следом запускается инстанс-сегментация самих повреждений. Мы используем разные головы или отдельные легковесные сети для поиска царапин, вмятин, разрывов металла и структурных деформаций. Простая рамка YOLO здесь бесполезна, нам нужен точный полигон, потому что площадь повреждения напрямую влияет на стоимость окраски. Царапина на пластике и разрыв на металле требуют принципиально разной логики восстановления. Дальше слой классификации определяет степень тяжести найденного дефекта. И только после этого в дело вступает детерминированный движок правил, который берет пересечение «Деталь А», «Тип повреждения Б» и «Степень В», чтобы смаппить это на стандартизированную ремонтную операцию, будь то полировка, окраска или замена. Эта операция затем проценивается по актуальной базе запчастей и нормо-часов.
Но вся эта изящная математика с треском разваливается в тот момент, когда клиент загружает размытую фотографию, сделанную ночью под желтым фонарем. Обычный подход рынка — проглотить этот мусор, получить отказ на бэкенде и перевести заявку на ручной осмотр, потратив время и нервы клиента. Наш подход в Morana Labs строится иначе: контроль качества должен происходить в момент съемки, прямо на устройстве пользователя. Мы пакуем легковесную нейросеть через WebAssembly прямо в self-service веб-приложение, которое открывается по ссылке из SMS. Если освещенность недостаточна, угол съемки слишком острый или на лакокрасочном покрытии слишком много бликов, интерфейс физически не даст сделать кадр, подсвечивая проблемные зоны и заставляя человека изменить позицию. Этот жесткий UX-контроль — единственный способ гарантировать, что на бэкенд приедет полезный сигнал, а не шум. Мы осознанно меняем легкое раздражение клиента от процесса съемки на нулевой процент отказов пайплайна из-за качества исходников.
Когда валидные данные долетают до сервера и конвейер собирает предварительную калькуляцию, наступает момент истины. Главная инженерная и бизнесовая задача — правильно отмаршрутизировать результат. Алгоритм должен безошибочно определить, можно ли провести автоматическую выплату (straight-through processing) или необходимо звать человека. Любая ошибка в оценке в меньшую сторону — это досудебная претензия от клиента, ошибка в большую — прямые потери компании.
def route_claim_to_processing(assessment: AssessmentContext, config: PipelineConfig) -> RoutingDecision: if assessment.severe_structural_damage_count > config.max_auto_severe_threshold: return RoutingDecision.MANUAL_REVIEW_COMPLEX_IMPACT if assessment.cv_ensemble_confidence < config.min_confidence_p99: return RoutingDecision.MANUAL_REVIEW_LOW_CONFIDENCE cost_variance = calculate_repair_cost_variance(assessment.detected_parts) if cost_variance > config.max_acceptable_variance_rubles: return RoutingDecision.MANUAL_REVIEW_EXPENSIVE_PARTS if assessment.fraud_score_probability > config.fraud_alert_limit: return RoutingDecision.SIU_SECURITY_INVESTIGATION return RoutingDecision.AUTOMATIC_INSTANT_PAYOUTРазберем переменную оценки фрода из этого кода. Страховое мошенничество — это фундаментальная проблема, которой пугают всех интеграторов ИИ. Как убедиться, что клиент не скачал фотографию чужого разбитого бампера с профильного форума или не пририсовал вмятину? Рынок до сих пор пытается анализировать EXIF-данные, что является откровенной наивностью, так как метаданные подделываются за пару секунд скриптом. В Morana Labs мы рассматриваем EXIF лишь как слабый вспомогательный сигнал. Настоящая проверка идет на уровне пикселей и топологии. Во-первых, мы прогоняем анализ уровня ошибок (Error Level Analysis), чтобы выявить нестыковки в JPEG-компрессии, характерные для фотомонтажа. Во-вторых, проверяется консистентность градиентов освещения: если блик на целой части двери не совпадает с направлением теней на вмятине, снимок блокируется. Но самое главное — мы используем глубокое метрическое обучение для создания эмбеддингов самих повреждений. Мы хешируем не фотографию целиком, а уникальный рисунок царапин и заломов металла. Эта сигнатура прогоняется по всей исторической базе страховой компании. Если этот конкретный паттерн царапин уже был оплачен полтора года назад по другому полису, система моментально поднимает красный флаг. Рисунок повреждений уникален как отпечаток пальца, он не повторяется случайно.
Что происходит с метриками, когда эта архитектура ложится на реальный прод? Цифры стабилизируются в течение первого квартала работы. Доля убытков, урегулированных без единого выезда эксперта и без ручного просмотра фотографий, закрепляется на уровне тридцати-сорока процентов. Это колоссальный объем типового потока: притертости на парковках, треснувшие лобовые стекла, разбитые зеркала. Скорость выплаты сжимается с нескольких дней до семи-десяти минут с момента загрузки последнего фото. Но есть и неочевидный эффект — резкое снижение необоснованных выплат по этим мелким кейсам. Живые аджастеры подвержены когнитивным искажениям и банальной усталости. Им проще округлить площадь окраски в большую сторону или записать глубокую царапину как разрыв бампера, чтобы избежать последующих споров со СТОА. Алгоритм не имеет эмпатии и не устает к концу смены. Он высчитывает площадь полигона до квадратного сантиметра и жестко следует заложенной матрице, срезая те самые десять процентов переплат, которые раньше считались неизбежным фоном.
При этом нужно признать честный трейд-офф, о котором молчат продавцы коробочных ИИ-решений. Автоматическая оценка ущерба не предназначена для урегулирования тотальных гибелей автомобилей. Она не умеет и никогда не научится гарантированно находить скрытые структурные повреждения — поведенные лонжероны или смещение геометрии кузова по фотографии снаружи. Все спорные, тяжелые и комплексные убытки всегда будут уходить на ручную экспертизу. Модель создается исключительно для перемалывания типового, высокопрогнозируемого потока. Ее задача — высвободить время дорогих экспертов-людей, чтобы они тратили свои часы не на осмотр поцарапанных дверей бюджетных седанов, а на расследование сложных страховых случаев, где действительно нужен человеческий интеллект и опыт. Инженерия в этой сфере сводится к одному: вы либо строите конвейер, который предельно точно знает границы своей применимости и умеет вовремя сказать «я не уверен, зови человека», либо вы своими руками запускаете генератор убытков и судебных исков.