В Великом Новгороде начался поиск поставщика малых архитектурных форм для Кремлёвского парка
![](http://m.asninfo.ru/images/news/b6a1ea0a/9f746ab465fc1917635657db.jpg)
В Кремлёвском парке Великого Новгорода установят новые скамейки, урны, велопарковки и информационные стенды.
МАУ «Парки Великого Новгорода» объявило соответствующий аукцион на поставку малых архитектурных форм.
Как отмечено в техническом задании, подрядчик за 8,3 миллиона рублей должен осуществить поставку 40 обычных (2 метра длиной) и 20 длинных (3 метра длиной) скамеек со спинками, урны трёх типов (по 50, 10 и 20 штук каждого типа), 10 информационных стендов и 50 модульных велопарковок.
Работы подрядчик должен выполнить до 1 сентября 2022 года.
Напомним, в Кремлёвском парке также заменят сувенирные домики. Всего павильонов для уличной торговли будет 25. Сувенирные домики будут модульные высотой 2,8 метра размеров 3 на 2,5 метра. На 0,5 метра будут удлинены боковые стены и кровля со стороны фасада. Витраж будет раздвижной, трёхстворчатый. Для защиты витража установят взломостойкую роллетную систему коричневого цвета. Павильоны оснастят охранной сигнализацией. Предусмотрена рекламная поверхность — меловая доска размером 1 на 0,25 метра.
![](http://m.asninfo.ru/images/news/8a0d74b5/20f83b5d02c46c534b313e58.jpg)
ВТБ завершил пилотный проект по использованию инструментов машинного обучения.
Технология поможет банку эффективнее оценивать стоимость строящихся объектов и в ускоренном режиме принимать решения по выдаче кредитов на жилищное строительство. Новый сервис протестирован в 30 городах России.
В основе сервиса — универсальная платформа геоаналитики, запущенная ВТБ в 2020 году и позволяющая сопоставлять 170 слоев обезличенных данных из банковской сферы, телекома и digital-сервисов. В решении используется обезличенная информация о жителях аналогичных домов, а также районов со схожей транспортной инфраструктурой, имеющих похожие интересы, структуру доходов и расходов и т.д. Уникальный периметр данных анализируется методами машинного обучения для построения сложных нелинейных моделей оценки стоимости объектов. Все это позволяет оперативно принимать решения о выдаче банком кредитов под строительство.
При стандартном методе аналитики для принятия решения в ручном режиме сравнивают территориально близкие объекты. Модели, основанные на Big Data, позволяют оперативно получать качественную аналитику на базе гораздо большего объема разнообразной информации. Наиболее значимые конкурентные преимущества сервис дает в ситуации, когда строящийся жилой объект не имеет рядом аналогов, и оценить его, используя только метод сравнения с похожими соседствующими объектами, невозможно.
«При разработке сервиса мы столкнулись с тем, что рынок жилой недвижимости имеет очень динамичный характер. Для того, чтобы «успеть» за рынком в таком широком географическом периметре, мы разработали не просто модели машинного обучения, а Geo AutoML сервис. Он позволяет перестраивать модели в полностью автоматическом режиме. На сегодняшний день AutoML-решений на рынке много, но это первая история с применением геоаналитики. Поэтому сервис можно считать уникальным», — комментирует Максим Коновалихин, руководитель департамента анализа данных и моделирования – старший вице-президент ВТБ.
«Оценка рыночной стоимости строящейся недвижимости играет для банка важную роль в принятии решения о финансировании. Новая разработка позволяет нам повысить оперативность на этом этапе работы с проектом и получить более объективные и точные данные. Мы видим позитивные результаты с точки зрения повышения эффективности оценки проектов в рамках пилотирования сервиса и планируем до конца сентября масштабировать его на большинство крупнейших городов страны», — отметил Руслан Еременко, руководитель департамента регионального корпоративного бизнеса – старший вице-президент ВТБ.
Пока решение применяется только внутри банка, но в дальнейшем может стать доступным и сторонним пользователям — другим банкам и застройщикам жилой недвижимости.