CheckAPI vs ручна перевірка квитанцій
Кожен обмінник і P2P-платформа стикається з одним і тим же питанням: скільки квитанцій на день може перевіряти оператор, не пропускаючи підозрілі? Ми зібрали конкретні цифри, щоб було зрозуміло, де ручна перевірка працює нормально, а де вже час підключати автоматику.
Порівняльна таблиця
| Параметр | Ручна перевірка | CheckAPI |
|---|---|---|
| Час на одну квитанцію | 30–90 секунд | ~1 секунда |
| 100 квитанцій на день | ~1.5 год роботи оператора | автоматично, без участі людини |
| 500 квитанцій на день | повна зміна одного оператора | автоматично, ~8 хв сумарно |
| 1 000 квитанцій на день | 2 оператори або овертайм | $0.03 за перевірку, $30 на день |
| Помилки (пропущені невідповідності) | 3–8% (залежить від втоми) | <1% (4% позначає як «невизначено») |
| Масштабування | наймати людей | один API-запит |
| Робочий час | поки сидить оператор | 24/7 |
| Вартість при 1 000/день | ~$800–1200/міс (зарплата) | $30/міс (тариф Start) |
Коли ручної перевірки достатньо
Якщо у вас до 10–15 квитанцій на день, один оператор справляється без помітної втоми. Кожну квитанцію він дивиться спокійно: звіряє суму, картку, статус, час — за хвилину-дві. При такому обсязі витрати на API не окупаються, а ризик помилки через поспіх мінімальний.
Типові випадки: невеликий обмінник з постійними клієнтами, приватний продавець на OLX, фрілансер, що приймає оплату на картку.
Коли потрібна автоматизація
Критична точка — десь між 50 і 100 квитанціями на день. Саме тут оператор починає поспішати, пропускати дрібниці, і саме на це розраховують шахраї: підсунути підроблений скрін у момент, коли черга заявок давить.
Автоматизація має сенс, коли:
- Обсяг квитанцій росте і ви вже думаєте про другого оператора
- Ви працюєте з P2P і приймаєте оплату від незнайомих контрагентів
- Обмінний пункт працює у вечірні або нічні години, коли оператор один
- Вам потрібна звірка у реальному часі — поки клієнт ще на лінії
Як працює інтеграція
Один HTTP-запит. Надсилаєте фото квитанції, суму і 4 цифри картки — отримуєте verified: true/false з причиною. Ніяких SDK, бібліотек, складних налаштувань.
curl -X POST https://check.sarmkadan.com/api/v1/verify \
-H "X-API-Key: YOUR_KEY" \
-F "image=@kvytantsiya.jpg" \
-F "expectedAmount=2450.00" \
-F "expectedCardLast4=7731"Відповідь — JSON:
{
"verified": true,
"confidence": 0.97,
"detectedAmount": 2450.0,
"detectedCardLast4": "7731",
"reason": "confirmed",
"durationMs": 870
}Типовий сценарій: ваша система отримує фото квитанції від клієнта, надсилає його в CheckAPI, і через секунду показує оператору готовий вердикт. Оператор натискає «підтвердити» або дивиться вручну тільки ті ~4%, де модель не впевнена.
Повна документація з прикладами на Python, Node.js і cURL: check.sarmkadan.com/docs
Що під капотом
Власна ML-модель, навчена на понад 16 000 реальних квитанцій українських банків: ПриватБанк, monobank, OTP, А-Банк, Raiffeisen. Зображення обробляються на наших серверах і видаляються одразу після перевірки — нічого не зберігається, нічого не передається стороннім хмарам.