Prototipo de hackathon

Inspector que aprende

Antes de ir a la inspección, el dueño fotografía su auto y ve cuánto bajarían los daños la cotización. En la inspección, el mecánico confirma o corrige por voz.

Dos personas, un flujo

  1. Recibes la cotización de Kavak por año, marca, modelo y kilometraje, igual que hoy.
  2. Tomas fotos guiadas: frente, costado izquierdo, costado derecho, parte trasera y un acercamiento de cada golpe.
  3. El inspector revisa cada foto y arma un solo dictamen: pieza, daño y costo de reparación.
  4. Ves un rango: lo que tu cotización bajaría por los daños que se ven.
  5. Puedes oírlo en voz y preguntar por un renglón.
  6. Con ese número decides si agendas la inspección.

Es la propuesta del journey. Hoy corren el dictamen por foto y la voz; la captura guiada en el teléfono falta.

Cómo se conectan

  1. El dueño estima. Sus fotos dan un rango antes de ir.
  2. El inspector confirma. Deja el dictamen final de la inspección.
  3. De la diferencia aprende la siguiente versión. Cuentan las correcciones del inspector, no las del dueño.

Qué tan bien detecta hoy

Macro-F1 en 20 fotos de test, 3 seeds, gpt-4.1-mini. Más alto es mejor.

Base constante0.36
v1 template0.51
v1 LLM0.45
v1 calibrado0.47

La base constante responde siempre los mismos 4 daños sin ver la foto. v1 le gana. Ninguna v2 mejora a v1 más allá del ruido entre corridas.

Ver también las v2
v2 template0.32
v2 LLM0.46
v2 calibrado0.43

Límites

Probar en vivo

Esta página es estática y no inspecciona nada. La inspección en vivo corre en la app local:

uv run python -m inspector.ui --port 8765
Ver el repo en GitHub