Разработка мобильных приложений — удалённая работа в Москве

Разработка с нуля, веб-решение. Устройства для масштабирования: смартфоны. Приложение. Пожелания и особенности: Техническое задание (ТЗ) на разработку приложения 1. Название проекта: Смета Дом- система автоматизированного расчета смет и проектирования планировок для строительных компаний. 2. Цель проекта: Разработать веб-приложение, которое позволит менеджерам строительной компании быстро создавать планировки жилых домов и на их основе автоматически генерировать предварительную смету на строительство “под ключ“. Ключевая задача — сократить время коммерческого предложения для клиента с нескольких дней до нескольких минут. 3. Основные пользователи: · Менеджер по продажам/Коммерческий менеджер: Основной пользователь, который работает с клиентом и создает для него предложение. 4. Функциональные требования: 4.1. Модуль проектирования планировок (Конструктор): · Интерфейс “Drag-and-Drop“: Интуитивно понятный редактор для рисования стен, расстановки окон, дверей, перегородок. · Библиотека готовых элементов: Стандартные помещения (гостиная, кухня, с/у, спальня), лестницы, колонны. · “Умные“ подсказки: Автоматическое прилипание стен, выравнивание объектов, контроль допустимых размеров. · Автоматический расчет площадей: Расчет общей и жилой площади, площади по помещениям после каждого изменения плана. · Сохранение и загрузка шаблонов: Возможность сохранять удачные планировки как шаблоны для повторного использования. 4.2. Модуль интеграции нейросетей (AI Core): · Функция: “Нейроплан“ · Задача: Преобразовывать эскиз планировки (загруженное изображение от руки, скриншот, набросок) в чистый, оцифрованный векторный план в конструкторе. · Входные данные: Загруженное изображение (JPG, PNG). · Выходные данные: Автоматически созданные в конструкторе стены, окна, двери с распознанными размерами. · Функция: “Нейросоветник“ · Задача: Анализировать созданную планировку и давать рекомендации по ее улучшению. · Примеры рекомендаций: “Проверьте соответствие площади с/у нормам“, “Узкий коридор (менее 1 м)“, “Предложите клиенту вариант с гардеробной в спальне“, “Оптимально перенести дверь для увеличения полезного пространства“. · Функция: “Нейросмета“ · Задача: На основе данных о планировке (площадь, длина стен, периметр, количество окон/дверей) и выбранных пользователем материалов автоматически генерировать детализированную смету. · Обучение модели: Нейросеть должна обучаться на исторических данных компании (предыдущие сметы и проекты) для повышения точности расчетов в ее специфике. 4.3. Модуль расчета и формирования сметы: · База данных материалов и работ: Гибкая база с актуальными ценами на материалы (кирпич, бетон, утеплитель, окна и т.д.) и расценками на работы (кладка, монтаж, отделка). · Привязка к планировке: Автоматический подсчет объемов работ на основе плана (например, кубатура бетона для фундамента, площадь стен для кладки, площадь кровли). · Шаблоны конструктивов: Возможность выбрать тип фундамента, стенового материала, кровельного пирога и т.д. · Формирование КП: Генерация коммерческого предложения в формате PDF с визуализацией планировки, итоговой сметой и сроками. 5. Нефункциональные требования: · Производительность: Расчет сметы должен занимать не более 30 секунд. · Удобство использования (UI/UX): Интерфейс должен быть интуитивно понятен для менеджера без глубоких знаний в проектировании. Обучение работе с системой — не более 2 часов. · Безопасность: Разграничение прав доступа. Данные по сметам и клиентам должны быть защищены. · Интеграция: На втором этапе предусмотреть возможность интеграции с 1С для выгрузки статей расходов. 6. Технический стек (рекомендация): · Frontend: React.js / Vue.js с библиотеками для графики (например, PixiJS, Paper.js) для конструктора. · Backend: Python (идеально для работы с AI) с фреймворком Django/FastAPI. · AI Модули: · “Нейроплан“: Сверточная нейронная сеть (CNN) для компьютерного зрения (например, на базе TensorFlow/PyTorch). Обучение на датасете эскизов и готовых планов. · “Нейросоветник“ и “Нейросмета“: Модели машинного обучения (например, Gradient Boosting, Random Forest) или Fine-tuning готовых LLM (например, GPT) для анализа структурированных данных. · База данных: PostgreSQL (для хранения сложных структур данных по планировкам и сметам). 7. Критерии успеха (KPI): · Сокращение времени на подготовку КП на 80% (с 1 дня до 1-2 часов). · Увеличение конверсии на этапе предложения на 15% за счет скорости и наглядности. · Снижение количества ошибок в ручном подсчете сметы до нуля. · Положительные отзывы менеджеров об удобстве и полезности AI-функций. --- Резюме для специалиста: Вам необходимо создать комплексное веб-приложение, ядром которого является интуитивный конструктор планировок, тесно интегрированный с тремя AI-модулями (распознавание эскизов, анализ планировки, автоматический расчет сметы). Ключевой акцент — на скорость и удобство для менеджера, позволяющее превратить идею клиента в коммерческое предложение за один сеанс связи.