Massdomain.ru

Хостинг и домены
2 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Как увидеть старые объявления авто на Drom, Avtoru, Avito

Как увидеть старые объявления авто на Drom, Avtoru, Avito?

Сайт имеет высокую востребованность, отдельный раздел для авто, охвачена вся территория РФ, есть приложение, платные и бесплатные объявления. Существуют ограничения по срокам – только 30 дней, при этом на продажу может уйти значительно больший срок, для чего придется размещать данные повторно. Также обязательна регистрация. Посетители могут увидеть до 10 фото, работает модерация для всех пользователей.

Техническая поддержка на Авито

Кнопка "Помощь" на Авито

Если вы столкнулись с трудностями или подозреваете продавца в мошенничестве, рекомендуется сразу же связаться с поддержкой онлайн-сервиса Авито. В нижней части сайта можно найти ссылку « Помощь ».

Кнопка "Задать вопрос"

Попадая на эту страницу, можно найти готовые ответы на разные неразрешимые на первых взгляд ситуации для покупателя и продавца. Чтобы написать в поддержку выберите кнопку « Задать вопрос ». Служба поддержки ответит в течение 12 часов с момента обращения.

 Обращение в поддержку

Необходимо выбрать тему, на которую вы хотите задать вопрос. Среди доступных есть раздел для сообщения о мошенничестве. Откроется форма, которую необходимо заполнить. Чтобы идентифицировать продавца, необходимо указать номер его объявления или указать ссылку на профиль.

Опишите действия предполагаемого мошенника и расскажите о подозрительных предложениях. Обязательными полями являются ваше имя и адрес электронной почты, которая необходима для связи.

Универсальная система поиска объявлений на Авито

Самый надежный и безопасный метод работы с чужими номерами – это общедоступные поисковые сервисы. Во многих случаях этого оказывается более чем достаточно. Люди спустя рукава относятся к хранению данных в сети. Также они часто дублируют на других онлайн-площадках свои объявления с теми же телефонами. При этом опубликованная пользователем на разных сайтах информация может дополнять уже известные вам сведения.

Попробуйте проверить результаты выдачи на нескольких площадках поочередно. Например, запустив:

  • Google;
  • Yandex;
  • DuckDuckGo;
  • Mail.ru.

Существует много search-систем. Найти их главную страницу можно, вбив название ресурса в строку поиска. Чтобы ограничить выдачу, впишите в поле для ввода «Авито» рядом с номером продавца. Это поможет отфильтровать лишние результаты.

Можно еще больше сузить выдачу в Google, задав условие «site:avito.ru» в строке поиска, рядом с известным пользователю мобильным телефоном. Это аналогичным образом работает с номером объявления. Если вам известно имя продавца, укажите и его тоже, или ищите по картинкам. Чтобы подробнее прочитать о принципах и возможностях поисковой системы Гугл и работе с его операторами, перейдите по этой ссылке. Детальные настройки доступны тут.

Для чего и как мы скрываем госномера автомобилей в объявлениях Авито

Привет. В конце прошлого года мы стали автоматически скрывать номера автомобилей на фотографиях в карточках объявлений на Авито. О том, зачем мы это сделали, и какие есть способы решения таких задач, читайте в статье.

Hide my plate!

Задача

На Авито за 2018 год было продано 2,5 миллиона автомобилей. Это почти 7000 в день. Всем объявлениям о продаже нужна иллюстрация — фото автомобиля. Но по государственному номеру на нём можно найти много дополнительной информации о машине. И некоторые наши пользователи стараются самостоятельно закрывать госномер.

Читайте так же:
Заблокировался телефон просит пин код
image alt=»image» />
imageimage
прообраз для иллюстрации в начале статьи

Причины, почему пользователи хотят скрывать госномер, могут быть разными. Со своей стороны мы хотим помогать им защищать свои данные. И стараемся улучшать процессы продажи и покупки для пользователей. Например, у нас уже давно работает услуга анонимного номера: когда вы продаёте автомобиль, для вас создается временный сотовый номер. Ну а чтобы защитить данные о госномерах, мы обезличиваем фотографии.

image

Обзор способов решения

Чтобы автоматизировать процесс защиты пользовательских фотографий, можно воспользоваться сверточными нейронными сетями для детектирования полигона с номерным знаком.
Сейчас для детекции объектов используются архитектуры двух групп: двухэтапные сети, например, Faster RCNN и Mask RCNN; одноэтапные (singleshot) — SSD, YOLO, RetinaNet. Детектированием объекта является вывод четырёх координат прямоугольника, в которые вписан объект интереса.

image

Упомянутые выше сети способны находить на картинках множество объектов разных классов, что уже является избыточным для решения задачи поиска номерного знака, потому что машина у нас на картинках, как правило, всего одна (бывают исключения, когда люди фотографируют свою продаваемую машину и её случайную соседку, но это происходит достаточно редко, поэтому этим можно было пренебречь).

Ещё одна особенность этих сетей состоит в том, что по умолчанию они выдают bounding box со сторонами, параллельными осям координат. Это происходит так, потому что для детектирования используется набор заранее определённых видов прямоугольных рамок, называемых anchor boxes. Если точнее, то сначала с помощью какой-то сверточной сети (например resnet34) из картинки получают матрицу признаков. Потом для каждого подмножества признаков, полученного с помощью скользящего окна, происходит классификация: есть или нет объект для k anchor box и проводится регрессия в четыре координаты рамки, которые корректируют её положение.
Подробнее об этом можно прочитать здесь.

image

После этого есть ещё две головы:

не самая оригинальная картинка архитектуры

одна для классификации объекта (собака/кошка/растение и т.д),
вторая (bbox regressor) — для регрессии координат рамки, полученной на предыдущем шаге, чтобы увеличить соотношение площади объекта к площади рамки.

Для того, чтобы предсказать повернутую рамку бокса, нужно изменить bbox regressor так, чтобы получать ещё и угол поворота рамки. Если этого не делать, то получится как-то так.

image

Кроме двухэтапного Faster R-CNN, есть одноэтапные детекторы, например RetinaNet. Он отличается от предыдущей архитектуры тем, что сразу предсказывает класс и рамку, без предварительного этапа предложения участков картинки, которые могут содержать объекты. Для того чтобы предсказывать повернутые маски, нужно также изменить голову box subnet.

image

Один из примеров существующих архитектур для предсказания повернутых bounding box — DRBOX. Эта сеть не использует предварительный этап предложения региона, как в Faster RCNN, поэтому она является модификацией одноэтапных методов. Для обучения этой сети используется K повернутых под определенными углами bounding box (rbox). Сеть предсказывает вероятности для каждого из K rbox содержать таргет объект, координаты, размер bbox и угол поворота.

Читайте так же:
Защита от рекламы для андроид

image

Модифицировать архитектуру и заново обучить одну из рассмотренных сетей на данных с повернутыми bounding boxes — задача реализуемая. Но нашу цель можно достигнуть проще, ведь область применения сети у нас гораздо уже — только для скрытия номерных знаков.
Поэтому мы решили начать с простой сети для предсказания четырёх точек номера, впоследствии можно будет усложнить архитектуру.

Данные

image

С помощью Толоки можно создавать задания по разметке данных. Например, оценивать качество поисковой выдачи, размечать разные классы объектов (текстов и картинок), размечать видео и т.д. Их будут выполнять пользователи Толоки, за плату, которую вы назначите. Например, в нашем случае толокеры должны выделить полигон с госномером автомобиля на фото. В целом это очень удобно для разметки большого датасета, но получить высокое качество довольно сложно. На толоке много ботов, задачей которых является получить с вас деньги, наставив ответы рандомно или с помощью какой-то стратегии. Для противодействия этим ботам есть система правил и проверок. Основной проверкой является подмешивание контрольных вопросов: вы размечаете вручную часть заданий, пользуясь интерфейсом Толоки, а далее подмешиваете их в основное задание. Если размечающий часто ошибается на контрольных вопросах, вы его блокируете и разметку не учитываете.

Для задачи классификации очень просто определить, ошибся размечающий или нет, а для задачи выделения области это не так просто. Классический способ — считать IoU.

image

Если это отношение меньше некоторого заданного порога для нескольких заданий, то такой пользователь блокируется. Однако для двух произвольных четырехугольников посчитать IoU не так просто, тем более, что в Толоке приходится это реализовать на JavaScript. Мы сделали небольшой хак, и считаем, что пользователь не ошибся, если для каждой точки исходного полигона в небольшой окрестности находится точка, отмеченная разметчиком. Ещё есть правило быстрых ответов, чтобы блокировались слишком быстро отвечающие пользователи, капча, расхождение с мнением большинства и т.д. Настроив эти правила, можно ожидать довольно неплохую разметку, но если нужно действительно высокое качество и сложная разметка, нужно специально нанимать фрилансеров-разметчиков. В итоге наш датасет составил 4к размеченных картинок, и стоило всё это 28$ на Толоке.

Модель

Теперь сделаем сеть для предсказания четырёх точек области. Получим признаки с помощью resnet18 (11.7M параметров против 21.8M параметров у resnet34), далее делаем голову для регрессии в четыре точки (восемь координат) и голову для классификации, есть на картинке номерной знак или нет. Вторая голова нужна, потому что в объявлениях о продаже машины не все фотографии с машинами. На фото может быть деталь автомобиля.

image

Подобное нам, конечно, детектить не надо.

Обучение двух голов делаем одновременно, добавив в датасет фото без номерного знака с таргетом bounding box (0,0,0,0,0,0,0,0) и значением для классификатора «картинка с номерным знаком / без» — (0,1).

Читайте так же:
Как восстановить номера мобильного телефона

Тогда можно составить единую лосс функцию для обеих голов как cумму следующих лоссов. Для регрессии в координаты полигона номерного знака используем гладкий L1 loss.

image

Его можно интерпретировать как комбинацию L1 и L2, который ведёт себя как L1, когда абсолютное значение аргумента велико и как L2, когда значение аргумента близко к нулю. Для классификации используем softmax и crossentropy loss. Экстрактор признаков — resnet18, используем веса, предобученные на ImageNet, дальше дообучаем на нашем датасете экстрактор и головы. В данной задаче мы использовали фреймворк mxnet, так как он является основным для computer vision в Авито. Вообще, микросервисная архитектура позволяет не привязываться к конкретному фреймворку, но когда имеешь большую кодовую базу, лучше использовать ее и не писать тот же самый код заново.

Получив приемлемое качество на нашем датасете, мы обратились к дизайнерам, чтобы нам сделали номерной знак с логотипом Авито. Сначала мы конечно попробовали сделать сами, но выглядел он не очень красиво. Дальше требуется изменить яркость номерного знака Авито на яркость оригинальной области с номерным знаком и можно накладывать логотип на изображение.

image

Запуск в прод

Проблема воспроизводимости результатов, поддержки и развития проектов, решённая с некоторой погрешностью в мире backend- и frontend-разработки, всё ещё стоит открытой там, где требуется использовать модели машинного обучения. Вам наверняка приходилось разбираться в легаси коде моделек. Хорошо если в readme есть ссылки на статьи или опенсорс-репозитории, на которых базировалось решение. Скрипт для запуска переобучения может упасть с ошибками, например, поменялась версия cudnn, и та версия tensorflow уже не работает с этой версией cudnn, а cudnn не работает с этой версией драйверов nvidia. Может, для обучения использовался один итератор по данным, а для тестирования и в продакшене другой. Так можно продолжать довольно долго. В общем, проблемы с воспроизводимостью существуют.

Мы стараемся убрать их, используя nvidia-docker окружение для обучения моделек, в нём есть все необходимые зависимости для сuda, также туда устанавливаем зависимости для питона. Версия библиотеки с итератором по данным, аугментациями, инференсу моделек — общая для стадии обучения/экспериментирования и для продакшена. Таким образом, чтобы дообучить модель на новых данных, вам нужно выкачать репозиторий на сервер, запустить shell скрипт, который соберет докер-окружение, внутри которого поднимется jupyter notebook. Внутри у вас будут все notebook’и для обучения и тестирования, которые точно не упадут с ошибкой из-за окружения. Лучше, конечно, иметь один файл train.py, но практика показывает, что всегда требуется смотреть глазами на то, что выдаёт моделька и что-то менять в процессе обучения, так что в конце вы всё равно запустите jupyter.

Веса модели хранятся в git lfs — это специальная технология для хранения больших файлов в гите.До этого мы пользовались артифактори, но через git lfs удобнее, потому что скачивая репозиторий с сервисом, вы сразу получаете актуальную версию весов, как на продакшене. Для инференса моделей написаны автотесты, так что не получится раскатить сервис с весами, которые их не проходят. Сам сервис запускается в докере внутри микросервисной инфраструктуры на кластере kubernetes. Для мониторинга производительности мы используем grafana. После раскатки мы постепенно увеличиваем нагрузку на инстансы сервисов с новой моделькой. При выкатке новой фичи мы создаем а/б тесты и выносим вердикт по дальнейшей судьбе фичи, опираясь на статистические тесты.

Читайте так же:
Госуслуги московской области войти по номеру телефона

В результате: мы запустили замазывание номеров на объявлениях в категории авто для частников, 95 перцентиль времени обработки одной картинки для скрытия номера равен 250 мс.

Для Любителей и Профессионалов Авторынка

  • Мгновенное отображение объявлений со всех автомобильных сайтов РФ
  • Уведомление о появлении автомобильного объявления по Telegram и Email
  • История изменения цены автомобиля
  • Возможность проверить юридическую чистоту и историю автомобиля
  • Статистика рыночной цены и отклонение от рыночной цены каждого автомобиля
  • Информация о всех объявлениях с указанного телефона продавца

Как появляются фейки

Прежде чем объявление об аренде квартиры появится на сайте ЦИАН или «Авито», оно проходит модерацию. Например, «Авито» с помощью автоматической и ручной проверки каждый день обрабатывает более 4 млн объявлений об аренде, в том числе более 600 тыс. новых, рассказывает руководитель направлений вторичной недвижимости и долгосрочной аренды «Авито Недвижимости» Руслан Закирьянов.

Система использует алгоритмы, чтобы не допустить к публикации объявления с фотографиями с других ресурсов, проверяет корректность описания и соответствие цены рыночной и блокирует подозрительные предложения. Также специалисты осматривают объекты в офлайн-режиме. «Если параметры квартиры полностью совпадают с описанием, то у объекта появляется специальная отметка «Проверено Авито», что гарантирует достоверность объявления», — отметил Закирьянов.

Но даже при использовании специальных машинных алгоритмов и ручных механизмов на 100% исключить фейковые объявления невозможно. По словам руководителя отдела модерации ЦИАН Алексея Петрова, в столице доля фейковых объявлений по аренде квартир составляет около 1%, при этом в среднем по стране этот показатель в несколько раз выше. «На площадках, где модерации нет либо она формальная, фейковых объявлений намного больше, чем реальных. Даже один мошенник или лидогенератор генерирует мусорный контент в огромном количестве. А если их на площадке много, то общее количество фейков может исчисляться десятками тысяч, что подтверждается тысячами блокируемых ежемесячно аккаунтов таких людей в ЦИАН», — уточнил он.

Фейковые объявления подвержены сезонным колебаниям. С увеличением спроса на аренду растет и число мошенников и недобросовестных риелторов, которые размещают такие объявления. Это может быть начало учебного года или делового сезона. Особенно активны онлайн-мошенники были во время карантинных ограничений, вспоминает заместитель директора департамента аренды квартир риелторской компании «Инком-Недвижимость» Оксана Полякова. «За время первой волны самоизоляции случаи мошенничества с противозаконным использованием бренда известных риелторских компаний участились в пять раз по сравнению данными за весь предыдущий год (с марта 2019 года по март 2020 года). В 2020 году число жалоб граждан, обманутых аферистами под видом агента из известной компании, втрое превысило показатель 2019 года», — рассказала она.

Читайте так же:
Как внести в черный список на смартфоне

Типы фейков

Фейковые объявления можно условно разделить на два типа, говорит Алексей Петров из ЦИАН.

  1. Лидогенерационные объявления (их подавляющее большинство) — объявления о несуществующих объектах. Их публикуют для привлечения внимания арендаторов, чтобы потом предложить им реальный объект, но менее привлекательный и дороже. Например, потенциальному арендатору на запрос могут ответить, что квартиру в объявлении уже сняли, но есть другие варианты. Так риелтор начинает работать с клиентом. Это пример недобросовестной рекламы, обмана ожиданий потребителей и факт недобросовестной конкуренции.
  2. Объявления-фейки, публикуемые не риелторами, а мошенниками, которые пытаются обманным путем заполучить деньги арендатора, ничего не предоставив ему взамен. Эта категория включает в себя выманивание денег за просмотр квартиры, попытку получить оплату без просмотра, продажу списка доступных квартир и т. д. В данном случае речь идет уже не о добросовестной рекламе, а о преступлении, преследуемом законом в рамках Уголовного кодекса.

Разговор по телефону

В опубликованных предложениях по продаже подержанных автомобилей указываются контактные данные владельца. Для покупателей эта услуга бесплатная. Все опубликованные предложения актуальны, потому что как только автомобиль продается, объявление тут же уходит в архив. Купить б/у авто на авито можно, позвонив владельцу по указанному номеру телефона напрямую, минуя посредников. Во время разговора уточняются детали о состоянии автомобиля, и стороны договариваются о времени и месте просмотра. В этот момент покупатель интересуется о причине продажи, месте стоянки авто (улица или гараж), есть ли коррозия, вмятины или царапины на кузове. Обсуждается капитальный ремонт двигателя и была ли машина в дорожно-транспортных авариях. Также можно обсудить возможность скидки, но все же лучше этот вопрос оставить на то время, когда транспортное средство будет осмотрено, по факту. В подержанных автомобилях, как правило, есть всевозможные недочеты.

Как видно, купить машину с пробегом на авито намного проще и выгоднее, чем тратить время на поездки по автомобильным рынкам, где главенствуют перекупщики, и велик риск купить «кота в мешке». Кроме того, ресурс предлагает такой выбор, что уйти без покупки невозможно.

Когда вы найдете подходящий вариант и решитесь на покупку, перед заключением договора купли-продажи проверьте владельца авто через специальный сервис. Проверка покажет, есть ли у продавца проблемы с законом, действителен ли его паспорт, имеются ли долги и исполнительные производства. Если обнаружатся серьезные проблемы, от сделки лучше отказаться. Посмотреть пример отчета

голоса
Рейтинг статьи
Ссылка на основную публикацию
Adblock
detector