AI-сервис генерации визуализаций ремонта для сайта одного из крупнейших девелоперов страны

Создали AI-сервис визуализаций ремонта для сайта одного из крупнейших девелоперов страны. Пользователь загружает планировку квартиры, отвечает на вопросы о предпочтениях в интерьере и получает фотореалистичные генерации ремонта с учётом геометрии помещения. Решение встроено в пользовательский путь: от загрузки планировки и выбора параметров до просмотра результата, скачивания изображений и перехода к заявке на консультацию.

ИИ AI-генерация PropTech Визуализация интерьера Недвижимость Дизайн интерьеров

О проекте

Клиент — одна из крупнейших девелоперских компаний России, работающая в сегменте массового жилья. Входит в число лидеров рынка и занимает высокую позицию в рейтинге уверенности российских застройщиков.

Подходит для:

Девелопмента / PropTech / Продаж недвижимости / Дизайна и ремонта / Маркетинговых лендингов / Личных кабинетов покупателей / Сервисных порталов

Возможности

  • Демонстрация результата до покупки

    Заказчик может заранее увидеть, как будет выглядеть продукт или проект после реализации.

  • Персонализация предложения

    Система формирует визуализации с учетом параметров, предпочтений и исходных данных конкретного пользователя.

  • Сокращение пути до заявки

    AI-сервис помогает быстрее перевести интерес клиента в консультацию, заказ или покупку.

  • Сбор данных о предпочтениях клиентов

    Ответы пользователей и оценки результатов можно использовать для последующего улучшения продукта, маркетинга и воронки продаж.

  • Снижение риска переделок

    Клиент может заранее оценить концепцию будущего проекта и скорректировать требования до начала работ.

  • Повышение качества лидов

    К моменту обращения клиент уже лучше понимает свои потребности и может точнее сформулировать запрос.

Цель

Создать AI-сервис для сайта девелопера, который помогает посетителям сайта представить будущий интерьер квартиры и перейти к заявке на дизайн-проект или консультацию.

Задачи

  1. Разработать понятный пользовательский сценарий: загрузка планировки → ответы на вопросы → генерация → просмотр результата → заявка на консультацию.
  2. Спроектировать архитектуру сервиса, API, базу данных и хранение файлов.
  3. Реализовать модуль генерации фотореалистичных изображений с учетом планировки и предпочтений.
  4. Интегрировать сервис с сайтом и подготовить frontend-часть: форму загрузки, опросник, экран генерации, экран результата, скачивание, возможность поделиться результатом и модальные окна.
  5. Настроить ограничения для неавторизованных пользователей, контроль нагрузки, лимиты и защиту от автоматических запросов.
  6. Обеспечить безопасность сервиса: валидировать загружаемые изображения и проверять сгенерированные рендеры перед выдачей, чтобы фильтровать некорректный или небезопасный контент.
  7. Настроить сбор пользовательских оценок после генерации, административные уведомления и журналирование ошибок, а также подготовить комплект эксплуатационной документации.

Что сделали

Разработали AI-сервис на отдельной странице сайта: пользователь загружает планировку, проходит короткий опрос и получает визуализации помещений для дальнейшей консультации по дизайн-проекту.

Этапы проекта

#1 Проектирование сервиса

  • Сперва спроектировали архитектуру решения: состав компонентов, схему их взаимодействия, базу данных и логику хранения файлов. Подготовили техническое описание архитектуры, спецификацию API в формате OpenAPI/Swagger и dev-среду.

  • Также настроили необходимые доступы к инфраструктуре: системе контроля версий, средам и инструментам генерации.

#2 Разработка REST API и модуля генерации

  • Реализовали REST API: эндпоинты для запуска генерации, отслеживания статуса и получения готового результата.

  • Настроили обработку входных данных: загрузку изображения планировки, прием ответов из опросника и передачу структурированных параметров в генеративный контур

  • Пайплайн генерации выстроили в несколько шагов:

    1. сервис анализирует загруженную планировку;
    2. модуль безопасности проверяет, что изображение корректно и не содержит запрещённой информации;
    3. система определяет помещения и их геометрию;
    4. объединяет полученные данные с ответами пользователя;
    5. формирует промпты и запускает генерацию;
    6. модуль безопасности ещё раз проверяет сгенерированное изображение, чтобы исключить попадание запрещённого контента пользователю;
    7. разбивает результат по помещениям, проводит дополнительный анализ и проверку;
    8. пользователь получает финальные визуализации.

  • Отдельно мы настроили модуль создания фотореалистичных вариантов интерьеров с учетом планировки и пользовательских предпочтений. Важной частью этапа стала работа над сохранением геометрии: окон, дверей, архитектурных линий и базовой логики помещений.

#3 Ограничения, мониторинг и обратная связь

  • Сервис доступен без авторизации. При этом для одного пользователя действует ограничение — не более 3 генераций квартир. Система контролирует лимит по данным браузера и IP-адресу, чтобы пользователь не мог обойти его без смены браузера или сети. Также настроен общий мониторинг нагрузки на систему.

  • В сервис заложили дневные лимиты по количеству запросов и стоимости генераций, а также валидацию размера загружаемых изображений.

  • Добавили CAPTCHA для защиты от ботов и проверили обработку массовых запросов.

  • Интегрировали механику сбора пользовательских оценок после завершения генерации и их сохранение в базе данных. Для администраторов предусмотрели email-отчеты и алерты при достижении лимитов.

  • Кроме того, настроили уведомления об ошибках, отчёты по NPS и алерты о приближении к дневному лимиту генераций.

  • Лимит помогает контролировать расходы на генерацию и не превышать согласованный с заказчиком ежедневный бюджет.

#4 Разработка функционала лендинга

  • На основе предоставленного заказчиком дизайна разработали frontend-часть пользовательского сценария: форму загрузки планировки, опросник, экран процесса генерации, экран результата, скачивание изображений, возможность поделиться и модальные окна подтверждения.

#5 Тестирование, документация и ввод в эксплуатацию

  • Готовый пайплайн проверяли пакетными прогонами на разных планировках с одинаковым набором ответов в опроснике. Так можно было отделить влияние исходной геометрии от влияния пользовательских предпочтений и сравнивать результаты в одинаковых условиях.

  • Каждый прогон проходил полный маршрут: распознавание комнат и геометрии → общий 3D-рендер квартиры → нарезка по помещениям → анализ каждой комнаты → финальные интерьерные карточки. На каждом этапе сохраняли исходные изображения, промпты, структурированные JSON-данные и ошибки — это позволяло быстро находить, где именно возникло отклонение.

  • После визуализации проходили ещё и ручную проверку. Мы просматривали результат по каждой квартире и выставляли оценки по 15 критериям качества. Итоговая оценка учитывала соответствие исходной планировке, реалистичность изображения, отсутствие визуальных ошибок и полноту выполнения пользовательского запроса.

    1. Геометрия комнат соответствует загруженной планировке квартиры.
    2. Окна и двери расположены именно там, где они указаны на планировке.
    3. Все помещения находятся на своих местах относительно загруженного плана. В изображениях нет явных галлюцинаций: невозможных, висящих, искаженных или нелогично расположенных элементов.
    4. Сгенерированы рендеры всех помещений, указанных на планировке.
    5. Типы комнат соответствуют планировке и ответам пользователя: кухня, спальня, детская, кабинет, санузел, прихожая, балкон и другие помещения.
    6. Запросы пользователя имеют приоритет над планировкой: например, если на планировке кабинет не был указан, но человек отметил потребность в кабинете, это должно быть учтено.
    7. Мебель и предметы интерьера выглядят пропорционально размерам комнаты.
    8. Материалы выглядят реалистично: видна структура дерева, фактура камня, швы между плитками и другие характерные детали поверхностей.
    9. Свойства материалов переданы корректно: стекло бликует и остается полупрозрачным, металл отражает свет, матовый пластик его рассеивает.
    10. Освещение выглядит естественно: в изображении учитывается свет из окон и/или корректное искусственное освещение.
    11. Фотоэффекты используются уместно. Размытие фона и глубина резкости не должны выглядеть как ошибка генерации.
    12. Текстиль и декоративные элементы выглядят корректно: покрывала, подушки и другие предметы на кровати расположены верно и не выглядят искаженными.
    13. Цветовая палитра гармонична: нет «грязных», чрезмерно ярких или конфликтующих между собой цветов.
    14. В изображениях учтены все ответы из опросника.
    15. Точка съемки соответствует естественному ракурсу на уровне глаз человека. Изображение имеет высокое разрешение, без заметного замыливания, артефактов и потери детализации.

  • Например, в одном из батч-тестов мы прогнали 7 планировок и 45 помещений. Система сформировала 43 финальные карточки; неуспешные визуализации автоматически фиксировались как ошибки, а соответствующий прогон получал статус «частичный», а не успешный.

  • Клиенту презентовали отдельные отчёты по качеству генераций. В них показали результаты 20 прогонов, охвативших 67 помещений.

  • Проверили работу сервиса на dev/test-средах, провели интеграционное и нагрузочное тестирование и техническую отладку приложения. Подготовили инструкции, техническое описание системы и руководство администратора, передали клиенту образы компонентов.

Stack

Слой / Компонент Инструменты и сервисы
OSMI AI
Анализ планировки / создания промпта для генерации изображения
Gemini 3 Flash Preview
Генерация изображений
Gemini 3.1 Flash Image Preview
Backend
Python
Frontend
React
Хранение данных
PostgreSQL Yandex Object Storage / S3
Инфраструктура
Kubernetes GitLab Nginx Keycloak

Результаты и аналитика

РЕЗУЛЬТАТЫ
Более нативный путь к заявке на дизайн-проект
Персонализированная коммуникация
Сбор данных для повышения конверсии в заявку на этапах воронки продаж

Со стороны OSMI IT проект вели

МШ

Михаил Шрайбман

CEO OSMI IT

ДН

Денис Нагаев

CTO OSMI IT

АФ

Алексей Ф.

Менеджер проекта

ВГ

Валентина Г.

Frontend-разработка

ЭМ

Элмурат М.

ML-инженер

ПГ

Пётр Г.

Backend-разработчик

СИ

Сергей И.

Backend-разработчик

КВ

Кирилл В.

Backend-разработчик

Нужен похожий проект?

Оставьте контакты — мы быстро оценим задачу, подготовим план и расскажем, как достичь ваших целей.

Предыдущий кейс

Б2Б-портал с электронной коммерцией для дилерской сети

Следующий кейс

ИИ для конструкторских чертежей: ускорили расчёт цены и проверку на соответствие стандартам

Все сайты (и мы не исключение) используют cookies, поэтому просто нажмите на кнопку.