Pęknięta ściana, mokra plama pod parapetem, niedomykające się okno albo wyrwany zawias w szafce mają jedną wspólną cechę: klient zwykle widzi problem, ale nie potrafi go fachowo nazwać. Formularz z listą kategorii wymaga natomiast czegoś odwrotnego — najpierw trzeba wiedzieć, czy potrzebny jest hydraulik, dekarz, stolarz, serwisant okien czy ktoś od osuszania budynków.
Dlatego sensownym początkiem zlecenia usługowego coraz częściej nie jest pole tekstowe „opisz problem”, lecz zdjęcie usterki. System rozpoznawania obrazu nie musi przy tym stawiać diagnozy. Jego praktyczna wartość jest większa gdzie indziej: może określić najbardziej prawdopodobną kategorię zlecenia, wychwycić brakujące informacje i zadać klientowi kilka pytań, które rzeczywiście pomogą wykonawcy przygotować się do wizyty.
To ważne rozróżnienie. Zdjęcie może usprawnić kwalifikację zlecenia. Nie zastąpi oględzin tam, gdzie przyczyna problemu znajduje się pod tynkiem, pod podłogą, wewnątrz urządzenia albo poza kadrem.
Zdjęcie może zastąpić pierwszy opis, ale nie cały wywiad
Najbardziej irytujący formularz usługowy wygląda mniej więcej tak: klient wybiera kategorię, której nie rozumie, wpisuje dwa zdania opisu, a kilka godzin później wykonawca i tak dzwoni z pięcioma dodatkowymi pytaniami. Z punktu widzenia platformy formularz został wypełniony. Z punktu widzenia fachowca zlecenie nadal jest niekompletne.
Model zaczynający się od fotografii może odwrócić ten proces.
Użytkownik robi zdjęcie, a system analizuje widoczne elementy. Przy mokrej plamie na ścianie może rozpoznać między innymi przebarwienie, łuszczącą się farbę, spęcznienie powierzchni czy położenie problemu względem sufitu, narożnika albo okna. Na tej podstawie nie powinien oznajmiać: „pękła rura”. Powinien raczej zakwalifikować sprawę szerzej, na przykład jako wilgoć lub przeciek, a następnie dopytać:
-
czy ślad pojawił się po deszczu, czy niezależnie od pogody,
-
czy po drugiej stronie ściany znajduje się łazienka albo kuchnia,
-
czy plama się powiększa,
-
czy instalacja wodna była ostatnio naprawiana,
-
na której kondygnacji znajduje się lokal,
-
czy można zamknąć dopływ wody,
-
czy widoczne są krople, wybrzuszenia albo odpadający tynk.
Przy uszkodzonym oknie zestaw pytań będzie zupełnie inny. System powinien odróżnić pękniętą szybę od problemu z okuciem, klamką lub uszczelką i zapytać chociażby o materiał ramy, orientacyjne wymiary skrzydła, liczbę szyb oraz to, czy okno da się bezpiecznie zamknąć.
Właśnie tutaj AI daje największą oszczędność. Nie tyle rozpoznaje awarię, ile dobiera właściwy formularz do konkretnego zdjęcia.
Dobrze zaprojektowany proces nie powinien też kończyć się na jednej fotografii. W wielu zleceniach sensownym minimum będą:
-
zdjęcie szerszego planu pokazujące miejsce usterki w otoczeniu,
-
zbliżenie samego uszkodzenia,
-
fotografia pokazująca skalę, najlepiej z miarką lub innym obiektem o znanym wymiarze,
-
dodatkowy kadr elementów istotnych dla naprawy, np. przyłączy, zawiasów, tabliczki znamionowej urządzenia albo dostępu do miejsca pracy.
To drobna zmiana, ale dla wykonawcy ogromna różnica. Zdjęcie dziury w płycie gipsowej bez otoczenia mówi niewiele. Ten sam otwór pokazany razem z narożnikiem ściany, gniazdkiem i miarką pozwala już ocenić, czy mówimy o kosmetycznym uzupełnieniu, czy naprawie większego fragmentu zabudowy.
AI może także blokować zbyt słabe zgłoszenie. Jeśli zdjęcie jest ciemne, poruszone albo wykonane z dwóch metrów i problem zajmuje kilkadziesiąt pikseli, system powinien poprosić o powtórzenie fotografii zamiast udawać pewność rozpoznania.
Największym problemem nie jest jakość AI, lecz to, czego zdjęcie w ogóle nie pokazuje
Rozpoznawanie obrazu potrafi być przekonujące nawet wtedy, gdy ma zbyt mało danych. W usługach technicznych to szczególnie niebezpieczna cecha.
Weźmy pęknięcie ściany. Na fotografii można ocenić jego przebieg, położenie i w przybliżeniu szerokość — pod warunkiem, że zdjęcie zawiera skalę. Nie da się jednak na tej podstawie wiarygodnie określić, czy pęknięcie jest wyłącznie defektem tynku, czy skutkiem pracy konstrukcji. Do tego potrzebne mogą być informacje o wieku budynku, materiale ściany, czasie powstania rysy, jej zmianach oraz oględziny na miejscu.
Podobnie wygląda przeciek. Mokry fragment sufitu pod łazienką sugeruje instalację wodną, ale równie dobrze źródłem może być nieszczelność odpływu, hydroizolacji albo połączenia przy wannie. Fotografia pokazuje skutek. Przyczyna znajduje się często kilkanaście centymetrów dalej i pozostaje niewidoczna.
Są cztery ograniczenia, których nie warto próbować „naprawiać” coraz bardziej stanowczą odpowiedzią modelu.
Pierwsze: brak skali.
Na zdjęciu bez punktu odniesienia otwór może mieć 20 mm albo 80 mm. Rysa może mieć szerokość włosa lub kilku milimetrów. Przy zamawianiu szyby, zawiasu, fragmentu blatu czy kostki brukowej takie różnice całkowicie zmieniają zakres pracy.
Drugie: niewidoczne elementy.
Przewody, rury, stelaże, izolacja, kotwy i przyczyny zawilgocenia mogą znajdować się wewnątrz przegrody. AI analizująca zwykłe zdjęcie RGB ich nie widzi. Nie powinna więc tworzyć wrażenia, że potrafi ocenić przebieg instalacji pod tynkiem.
Trzecie: podobne objawy mają różne przyczyny.
Urządzenie może nie działać z powodu uszkodzonego podzespołu, braku zasilania, zabrudzenia, blokady mechanicznej albo błędu sterownika. Zdjęcie wyświetlacza z kodem błędu jest przydatne, ale jeszcze lepszy zestaw danych to fotografia tabliczki znamionowej, dokładny kod błędu i opis momentu, w którym awaria występuje.
Czwarte: fotografia pokazuje tylko wybrany kadr.
Użytkownik naturalnie fotografuje to, co uważa za problem. Fachowiec często szuka czegoś obok. Przy uszkodzonej nawierzchni będzie chciał zobaczyć nie tylko zapadniętą kostkę, lecz także spadek terenu, obrzeża, odpływ i większy fragment podjazdu.
Dlatego system powinien posługiwać się poziomami pewności, a nie kategoryczną diagnozą. Wysoka pewność może wystarczyć do przypisania zgłoszenia do kategorii „naprawa mebli” czy „serwis okien”. Nie powinna automatycznie oznaczać, że platforma zna już przyczynę awarii i cenę naprawy.
Szczególnie ostrożnie trzeba traktować zdarzenia związane z bezpieczeństwem: widoczne ślady przegrzania instalacji elektrycznej, iskrzenie, uszkodzenia konstrukcyjne, wyciek gazu czy intensywny przeciek. Tutaj celem automatyzacji nie powinno być tworzenie efektownej diagnozy. System ma rozpoznać sygnał alarmowy i skierować użytkownika do bezpiecznej ścieżki działania.
Dobre rozpoznanie zdjęcia kończy się lepszym zleceniem, a nie werdyktem AI
Najbardziej praktyczny model wygląda tak: fotografia rozpoczyna zlecenie, ale jego efektem końcowym jest uporządkowana karta problemu, którą można przekazać wykonawcy.
Przykładowe zgłoszenie dotyczące szafki kuchennej mogłoby po analizie zdjęć zawierać:
-
kategorię: naprawa mebli,
-
element: szafka wisząca,
-
prawdopodobny zakres: mocowanie lub wymiana zawiasu,
-
materiał frontu: płyta meblowa,
-
liczba uszkodzonych zawiasów: 1,
-
zdjęcie mocowania w korpusie,
-
zdjęcie zawiasu z bliska,
-
informację, czy wyrwane zostały wkręty wraz z materiałem płyty,
-
kod lub producenta zawiasu, jeśli oznaczenie jest czytelne.
To już jest materiał, na podstawie którego stolarz może zdecydować, czy zabrać standardowy zawias puszkowy, płytkę naprawczą, wkręty czy dodatkowe narzędzia. Nadal może się okazać, że po otwarciu szafki uszkodzenie jest większe. Różnica polega na tym, że pierwsza wizyta ma większą szansę być wizytą naprawczą, a nie tylko diagnostyczną.
Ten sam mechanizm ma sens na platformach zbierających darmowe ogłoszenia firm i zlecenia od klientów. Im bardziej uporządkowane jest zgłoszenie przed wysłaniem go do wykonawców, tym łatwiej uniknąć sytuacji, w której pięciu fachowców zadaje klientowi dokładnie te same pytania, a część z nich rezygnuje dopiero po obejrzeniu zdjęć.
Automatyzacja powinna więc priorytetyzować dane mające wpływ na decyzję wykonawcy. Dla różnych branż będą to inne informacje.
Przy serwisie urządzeń pierwszeństwo mają marka, dokładny model z tabliczki znamionowej, kod błędu i objawy. Przy oknach — materiał profilu, typ problemu, wymiary i zdjęcia okuć. Przy pracach brukarskich — powierzchnia uszkodzenia w metrach kwadratowych, rodzaj materiału, dostęp dla sprzętu i szersze zdjęcia terenu. Przy remoncie ściany — materiał podłoża, rozmiar uszkodzenia, informacja o wilgoci oraz oczekiwany zakres wykończenia.
Nie każdą informację trzeba zbierać od razu. Pytanie o termin wykonania ma sens niemal zawsze. Pytanie o kolor farby nie ma znaczenia, gdy użytkownik zgłasza aktywny przeciek i najpierw trzeba znaleźć jego źródło.
Jest też kwestia prywatności. Zdjęcia przesyłane do zleceń mogą przypadkiem zawierać twarze domowników, dokumenty, korespondencję, numery rejestracyjne samochodów, ekrany komputerów czy fragmenty wnętrza mieszkania niezwiązane z naprawą. Platforma powinna ograniczać zbieranie takich danych do niezbędnego minimum i umożliwiać łatwe usunięcie lub wymianę fotografii. Dobrym rozwiązaniem jest również automatyczne ostrzeżenie, gdy w kadrze znajduje się coś, czego wykonawca nie potrzebuje do wyceny.
Najgorszy projekt to taki, który zamienia prawdopodobieństwo w obietnicę: „AI wykryła uszkodzony zawór — naprawa będzie kosztować X zł”. To kuszące marketingowo i słabe operacyjnie. Cena zależy przecież nie tylko od tego, co widać na fotografii, ale również od dostępu, zakresu demontażu, części, dojazdu, lokalnych stawek oraz szkód ujawnionych po rozpoczęciu pracy.
Znacznie uczciwszy komunikat brzmi: „Na podstawie zdjęcia zlecenie zostało przypisane do tej kategorii. Przed przyjazdem wykonawca powinien potwierdzić zakres.”
Od tego należałoby zacząć również przy projektowaniu całej funkcji. Nie od trenowania systemu, który na podstawie jednego zdjęcia ma „wiedzieć, co się zepsuło”. Najpierw trzeba zbudować dla każdej kategorii usług krótką listę informacji, bez których fachowiec nie może podjąć decyzji. Dopiero potem AI powinna rozpoznawać, które z tych danych da się odczytać ze zdjęcia, a o które trzeba zapytać klienta.
FAQ: zdjęcie jako początek zlecenia usługowego
Czy jedno zdjęcie wystarczy do wyceny naprawy?
Rzadko. Jedna fotografia może wystarczyć do wyboru kategorii zlecenia, ale do wstępnej oceny zakresu lepiej przekazać szerszy kadr, zbliżenie oraz zdjęcie pokazujące skalę uszkodzenia.
Czy AI może sama rozpoznać, jaki fachowiec jest potrzebny?
Może zaproponować kategorię zlecenia, zwłaszcza przy typowych przypadkach takich jak uszkodzony mebel, szyba, armatura czy widoczne uszkodzenie nawierzchni. Przy niejednoznacznych objawach system powinien przed przypisaniem kategorii zadać dodatkowe pytania.
Czy fotografia pozwoli rozpoznać przyczynę przecieku?
Najczęściej pozwoli określić miejsce i charakter widocznych szkód, ale nie źródło przecieku. Przyczyna może znajdować się w instalacji, odpływie, izolacji, dachu albo połączeniu elementów niewidocznych na zdjęciu.
Jak zrobić zdjęcia, które rzeczywiście pomogą wykonawcy?
Najpierw zrób fotografię całego miejsca, potem zbliżenie uszkodzenia. Jeżeli rozmiar ma znaczenie, dołącz miarkę. Przy urządzeniu sfotografuj także tabliczkę znamionową i komunikat błędu, a przy elementach mechanicznych — mocowania i sąsiednie części.
Czy na podstawie zdjęcia można automatycznie podać cenę?
Można tworzyć orientacyjne przedziały dopiero wtedy, gdy zebrano wystarczające dane o rodzaju pracy, wymiarach, materiale, lokalizacji i dostępie. Jedno zdjęcie nie pokazuje kosztu części, prac ukrytych ani problemów ujawniających się podczas demontażu.
Kto powinien ostatecznie potwierdzić diagnozę?
Fachowiec wykonujący usługę. AI może skrócić etap kwalifikacji zlecenia i przygotować lepszy zestaw informacji, ale przyczyna awarii oraz ostateczny zakres robót powinny zostać zweryfikowane przez osobę, która odpowiada za wykonanie pracy.
Pierwszy błąd do usunięcia jest więc prosty: nie projektować rozpoznawania zdjęcia jako automatycznego diagnosty. Najpierw należy wybrać jedną kategorię — na przykład naprawy mebli, okien albo drobne usterki hydrauliczne — zebrać od wykonawców 5–10 informacji, których naprawdę potrzebują przed przyjazdem, a następnie sprawdzić, ile z nich AI potrafi wyciągnąć ze zdjęć i o które musi dopytać. Jeśli po takim procesie fachowiec nadal musi od początku prowadzić telefoniczny wywiad z klientem, automatyzacja nie rozwiązuje problemu. Tylko przenosi stary formularz do nowego interfejsu.