Зачем вообще всё это
Я хотел найти участок возле леса и реки, вот прям чтобы голеньким из бани выбежать прямо в нее.
Я устал верить фразам «у леса» и «рядом с водой», а потом на месте выяснять, что «рядом» — это километр по полю, а «лес» — посадка из трёх деревьев. Руки сами потянулись автоматизировать повторяющуюся гео-рутину.
Как все работает
Ежедневный сбор. Скрипт подтягивает свежие лоты с площадок, нормализует адреса и координаты, чистит дубликаты, проверяет валидность геометрий.
Тайлы вокруг кандидата. Для каждой точки выгружаю «контекстные» тайлы (спутник/рельеф/дороги) с нужным охватом.
GPT-Vision как «человечный» аналитик. Модель смотрит на окрестности и:
описывает окружение человеческим языком (без эзотерики, по фактам),
считает частные метрики по слоям,
выдаёт итоговый балл 0–5 с коротким объяснением одной строкой.
Слои и логика скоринга.
Лес и вода: дистанция + «качественность» водного объекта (река/ручей/болото, ширина, доступность).
Приватность: плотность соседей, наличие прямых соседних построек, просматриваемость участка.
Шум/промриски: близость трасс, промзон, ЛЭП, ж/д.
Карточка кандидата. Показываю итог 0–5 и один абзац: почему именно столько, что плюс, что минус.
3D-режим. В веб-приложении можно «пролететь» над топами: рельеф, открытость горизонта, как «садится» дом относительно воды/леса.
Фильтр здравого смысла. В ленту попадают только 4/5. На практике это 2–3 адекватных кандидата в неделю — и это уже то, что хочется ехать смотреть.
Пример карточки кандидата
Оценка: 4/5. + Лес в 100 м, широкая полоса, хорошая приватность — ближайший сосед в ~200 м за линией деревьев. + Вода: река ~50 м, доступ по грунтовке. − Слабый минус: сельская дорога в 20 м, шум умеренный. ЛЭП дальше 500 м, влияние низкое. Рельеф ровный, западный вид открыт.
Где LLM реально помогает
Контекст, а не только формулы. Классические метрики (метры/плотности) важны, но GPT-Vision даёт «смысловую сводку»: не просто «вода 300 м», а «ручей в лесной балке, подход есть/нет, берег заболочен/твёрдый».
Объяснимость. Одно-два внятных предложения «почему 3/5» экономят часы споров с самим собой.
Скорость воронки. Самое ценное — отсев «серых зон». До поездки я уже понимаю, за что участок любят/не любят метрики и модель.
Что получилось по факту
В ленте — только 4/5.
В неделю — 2–3 нормальных варианта вместо десятков «ну такое».
Поездки — только к участкам, которые прошли гео-проверки и «понравились» модели по понятным причинам.
Вопрос к Клубу.
Я бы хотел узнать, как вы используете LLM в повседневной жизни или в личных проектах. Иногда лучшие продукты рождаются из своей же боли - у меня так и вышло.
Интересно, спасибо! Ждал ссылки на гитхаб - есть ли причины это не заопенсорсить?
За сколько ты готов продать это решение мне? Очень актуальный для меня вопрос, твое решение звучит гениально)
Спасибо за пост, крутая идея!
А у нас вообще можно продавать участки прямо у реки или там водоохранная зона?
Какие спутниковые карты и карты для 3д режима ты подтягиваешь, насколько это все сложно для условного новичка в работе с гео данными?
Балин. Тоже ждал ссылку на гитхаб/место куда долор плотить
Интересное решение и очень, имхо, хорошие метрики! :)
Я, возможно, использовал бы для первого подхода данные из OSM (векторные карты, есть пачка готовых библиотек для примерно любых измерений), а уточнял бы уже по спутнику для вариантов с оценкой в 4+. Возможно, так получится экономичнее по ресурсам и точнее в тех случаях, когда спутник - так себе.
Классное применение! Но как будто не хватает технических подробностей и используемых сервисов
Круто. Тянет на стартап )) Если бы я находился на этапе выбора участка не жалко было бы заплатить за доступ к такому ))