Анализ локации под установку банкомата
Введите адрес — за 30–120 секунд получите сравнительную оценку от ансамбля из 4 LLM (США, Россия, Китай) плюс собственный скоринг по 38 геопризнакам.
Как это работает
Шаг 1. Сервис геокодирует адрес через 2ГИС и собирает 38 геопризнаков в радиусе 300–500 м: точки притяжения (ТЦ, БЦ, отделения), банкоматы конкурентов, ритейл, транспорт, точки спроса на наличные. Использует Wikidata и OSM для численности города, OSRM — для пешеходных маршрутов. Тип места установки можно указать вручную (необязательно) — это самый сильный фактор, и тогда он учитывается в балле.
Шаг 2. Несколько семей LLM из разных стран параллельно дают независимое заключение (сейчас 4 модели):
- Anthropic Claude — США, claude-haiku-4.5
- Sber GigaChat — Россия, Pro
- GLM (Z.ai) — Китай, 5.1
- Gemma (Google) — США, 4-26B
Все модели видят одни и те же сырые факты, не знают мнения друг друга и не видят
наш скоринг. Каждая возвращает строго JSON: verdict (yes/maybe/no),
score (0–100), reasoning на 2–4 предложения.
Шаг 3. Сводим всё в единый вердикт (Ставим / Ставим при условии / Не ставим) с уровнем уверенности по согласию судей. Блок «Согласие моделей» показывает консенсус и расхождения; при прямом противоречии — повод для ручного разбора.
Защита от галлюцинаций. После каждого ответа LLM проверяем, что упомянутые бренды банков реально есть в исходных данных. Если модель упомянула «ВТБ», а в карточке его нет — появится жёлтое предупреждение под reasoning.
Это исследовательский инструмент. На стратифицированной выборке из 320 действующих банкоматов наша скоринговая модель показала CV accuracy 0.18 при baseline 0.20 — то есть публичные 2ГИС-признаки в одиночку не предсказывают нагрузку устройства. Поэтому инструмент работает как карточка локации + сравнение мнений LLM, а не как автомат принятия решений.
Нужен пакетный прогон по списку адресов? Перейти к batch-анализу