Как мы переучивали нейросеть проверять сметы: три итерации
Мы взяли смету реального ремонта, отправили в GPT-4o с промптом «найди завышения». Модель вернула красивый ответ: расписала каждую позицию, объяснила термины, указала на «возможные риски». Выглядело убедительно.
Мы дали этот ответ профессиональному сметчику. Он посмотрел и сказал: «Тут 80% — общие слова. Вот здесь модель написала „возможное завышение“, а по факту это рыночная цена. А вот здесь написано „цена адекватна“, а на самом деле завышение 40%».
Проблема была фундаментальной: LLM не знает актуальных цен на стройматериалы и работы в конкретном регионе. Она не знает, что цемент подорожал на 12% за месяц в Москве, но не изменился в Новосибирске. Она не знает, что плиточник в Питере берёт 1500 ₽/м², а в Краснодаре — 900 ₽/м². Она просто красиво формулирует догадку
Мы поняли, что без базы — никуда. Начали собирать собственную структурированную базу рыночных значений: цены на материалы (по категориям, маркам, регионам), расценки на работы (по видам и специальностям), нормативы расхода.
Собирали отовсюду: открытые прайсы поставщиков, коммерческие предложения, данные с нашей же платформы (объявления о материалах и вакансии), вбивали вручную то, чего нет в открытом доступе.
Через месяц у нас была база на несколько тысяч позиций. Мы подключили её к LLM: модель больше не гадала — она искала в базе соответствие каждой строке сметы и возвращала конкретный рыночный ориентир.
Тестирование показало: на одинаковых сметах точность выявления реальных завышений выросла на 60–70% по сравнению с «голым» запросом к LLM. Сметчик сказал: «Теперь похоже на правду».
Но оставалась проблема. База, даже большая, устаревает. Цены меняются каждый месяц. Поддерживать её вручную — адский труд.
И тут мы осознали наш главный архитектурный актив: у нас на одной платформе живут объявления о продаже стройматериалов и вакансии на стройке. Это не просто данные — это живые цены, которые обновляются каждый день сами по себе, просто потому что люди пользуются платформой.
Цемент в смете сверяется не с абстрактным справочником, а с реальными объявлениями о продаже цемента в том же регионе. Стоимость работы плиточника — с реальными вакансиями в том же городе.
Мы интегрировали эти данные в механизм проверки. Теперь алгоритм не просто сравнивает с «рыночной ценой» — он показывает: «В вашем городе аналогичный материал продают за X, а в смете стоит Y. Разница — Z%». И это не экспертная оценка, а факт: вот объявления, вот цены, вот люди, которые готовы продать/работать за эти деньги.
Сервис работает бесплатно. Проверка занимает около минуты. Счётчик на сайте показывает, сколько смет уже проверено и сколько денег сэкономлено — цифра растёт каждый день.
Но главный вывод для меня как для разработчика — не в самой проверке смет. А в том, что иногда правильное архитектурное решение лежит не в алгоритме, а в данных. Мы могли потратить год на обучение модели, но выиграли за счёт того, что у нас уже была экосистема, поставляющая живые, релевантные данные. Ни один отдельный сервис проверки смет — SmetaScan, Профи.ру, Hands.ru — не имеет такого источника данных. У них есть база цен, но нет живого рынка с реальными деньгами внутри.
Это и есть наш мур для LLM: не более умная сеть, а более качественные данные на входе.