Проект разрабатывался по запросу организации, производящей светотехнические решения, как инженерный инструмент для расчёта освещённости и подбора светильников под нормативы (СП/СНиП/ГОСТ) и бюджетные ограничения.
Основная проблема заключалась в том, что расчёты выполнялись вручную или в разрозненных таблицах, что замедляло работу и повышало риск ошибок. При этом важно было не просто выдать результат, а показать логику подбора и обоснование решений.
Цель проекта – создать сервис, который позволяет быстро получать корректные расчёты и рекомендации, пригодные для использования в проектировании, продажах и подборе оборудования.
Я спроектировал и реализовал AI-калькулятор с полным расчётным пайплайном:
– ввод параметров помещения и требований;
– автоматический учёт нормативов для разных типов помещений;
– расчёт освещённости (в лк);
– модель машинного обучения для подбора и ранжирования светильников с учётом нормативов, бюджета и параметров помещения (реализовано с использованием ML-модели, XGBoost);
– выдача результата с объяснением причин выбора.
Сервис реализован в виде веб-приложения и API на FastAPI, что позволяет использовать его как самостоятельный инструмент или интегрировать в другие системы.
В результате получен инженерный сервис, который сокращает время расчёта и подбора оборудования с десятков минут до 1-2 минут.
Количество ошибок и повторных пересчётов снизилось за счёт автоматической проверки нормативов. Менеджеры и инженеры получили единый понятный инструмент вместо ручных таблиц.
По косвенной оценке, скорость обработки заявок выросла на 30-40%, а качество первичных предложений стало стабильнее, что упростило коммуникацию с конечными клиентами и повысило доверие к расчётам.
Сервис получил широкое одобрение внутри компании и используется как демонстрационный инструмент, и основа для дальнейшей интеграции в бизнес-процессы.
Опыт этого проекта можно масштабировать на другие бизнес-задачи, где требуется автоматический подбор, расчёт и обоснование решений на основе данных.
Пожаловаться
