Начиная с 2026-08-28 и по 2026-09-10 оценщикам России будет предоставлен бесплатный доступ к ранней альфа-версии национального (не путать с суверенным) искусственного интеллекта в области оценочной деятельности. Модель полностью локализована на сервере в Санкт-Петербурге. Никакие данные не покидают сервер и территорию России. Члены СРОО РАО могут использовать тот же ключ, что был предоставлен им для сервиса доступа к базе данных недвижимости. Члены иных СРО могут обратиться для запроса доступа к руководству своих СРО. В случае интереса и направления запроса, доступ будет предоставлен любому другому СРО целиком. В случае если вы не член СРО но интересуетесь локализацией LLM в области оценки, также можете направить запрос.
Что будет уметь такой ИИ? В принципе всё что умеет любая современная LLM. Естественно, общие возможности локальных моделей существенно ниже тех что работают по API. Однако не всё так плохо. Для того чтобы, например, провести анализ расчётной таблицы, не обязательно подавать её напрямую в LLM. Любой XLSX файл - это XML объект, извлечение сущностей из которого это скриптовая задача для, например, openpyxl. В LLM идут уже извлечённые сущности.
Основные преимущества национального искусственного интеллекта оценщика:
1) полное соблюдение законодательства в части защиты данных как персональных так и относящихся к коммерческой либо государственной тайне, возможность применения для любых задаx: от распознавания документов, содержащих защищённые сведения до генерации полных отчётов для заказчиков требующих режим максимальной конфиденциальности;
2) возможность разворачивания копии на локальном сервере оценочной компании, СРО, крупного заказчика или личном оборудовании самого оценщика с полным закрытием контура от внешних уязвимостей;
3) полностью прогнозируемая стоимость эксплуатации не зависящая от изменения цен провайдеров облачных сервисов;
4) стабильная работа даже в случаях нарушения доступа к ИТС Интернет;
5) высокая специализация за счёт RAG.
Основные недостатки:
1) объективное существенное отставание от возможностей облачных LLM практически во всех классах задач;
2) необходимость поддерживать работу стека независимо от фактических генерации и потребления токенов;
3) затраты на первоначальный запуск собственной корпоративной защищённой системы;
4) необходимость периодических обновлений не происходящих автоматически в отличие от облачных LLM;
5) относительно невысокая скорость работы при параллельных задачах.
Основные способы преодоления недостатков:
1) использование скриптов а не LLM во всех задачах которые могут быть решены без LLM, передача в LLM уже готовых сущностей;
2) формирование лексических и векторных баз знаний;
3) частичная автоматизация обновлений;
4) обмен векторными слоями;
5) увеличение мощности оборудования;
6) гибридизация лексики и векторов;
7) широкое использование коннекторов и API для получения данных без поиска.
Приглашаю принять участие в раннем тестировании. Перечень задач для которых национальный ИИ уже может быть использован будет опубликован за день до открытия доступа.
Что будет уметь такой ИИ? В принципе всё что умеет любая современная LLM. Естественно, общие возможности локальных моделей существенно ниже тех что работают по API. Однако не всё так плохо. Для того чтобы, например, провести анализ расчётной таблицы, не обязательно подавать её напрямую в LLM. Любой XLSX файл - это XML объект, извлечение сущностей из которого это скриптовая задача для, например, openpyxl. В LLM идут уже извлечённые сущности.
Основные преимущества национального искусственного интеллекта оценщика:
1) полное соблюдение законодательства в части защиты данных как персональных так и относящихся к коммерческой либо государственной тайне, возможность применения для любых задаx: от распознавания документов, содержащих защищённые сведения до генерации полных отчётов для заказчиков требующих режим максимальной конфиденциальности;
2) возможность разворачивания копии на локальном сервере оценочной компании, СРО, крупного заказчика или личном оборудовании самого оценщика с полным закрытием контура от внешних уязвимостей;
3) полностью прогнозируемая стоимость эксплуатации не зависящая от изменения цен провайдеров облачных сервисов;
4) стабильная работа даже в случаях нарушения доступа к ИТС Интернет;
5) высокая специализация за счёт RAG.
Основные недостатки:
1) объективное существенное отставание от возможностей облачных LLM практически во всех классах задач;
2) необходимость поддерживать работу стека независимо от фактических генерации и потребления токенов;
3) затраты на первоначальный запуск собственной корпоративной защищённой системы;
4) необходимость периодических обновлений не происходящих автоматически в отличие от облачных LLM;
5) относительно невысокая скорость работы при параллельных задачах.
Основные способы преодоления недостатков:
1) использование скриптов а не LLM во всех задачах которые могут быть решены без LLM, передача в LLM уже готовых сущностей;
2) формирование лексических и векторных баз знаний;
3) частичная автоматизация обновлений;
4) обмен векторными слоями;
5) увеличение мощности оборудования;
6) гибридизация лексики и векторов;
7) широкое использование коннекторов и API для получения данных без поиска.
Приглашаю принять участие в раннем тестировании. Перечень задач для которых национальный ИИ уже может быть использован будет опубликован за день до открытия доступа.