Como a IA da VyMetric mantém a precisão quando seu corpo muda
A maioria das empresas de fit-tech usa IA para recomendar um tamanho. A VyMetric usa IA para algo mais difícil: manter seu ID Biométrico preciso durante um escaneamento, entre marcas, e ao longo de cada quilo que você ganha ou perde. Três papéis, um motor, um corpo que o sistema precisa acompanhar.
A IA faz mais do que você pensa
A maioria das empresas de fit-tech fala da IA como se fosse uma coisa só: um algoritmo de recomendação que adivinha o seu tamanho. Esse enquadramento é uma conveniência de marketing. O trabalho de verdade acontece antes da recomendação, e continua depois. Quando a sugestão de tamanho aparece na tela, três sistemas distintos de IA já fizeram a parte deles, e um quarto está esperando o próximo login do usuário.
Este artigo passa pelo que cada etapa faz de fato, por que cada uma é difícil, e por que a combinação é o que torna um ID Biométrico preciso, durável e digno de viajar entre marcas.
Etapa 1: do escaneamento bruto a mais de 240 medidas
Quando alguém entra em um Totem VyMetric, o quiosque captura uma nuvem de pontos 3D densa do corpo. Essa nuvem não é uma medida. São algumas centenas de milhares de coordenadas espaciais que descrevem a superfície do corpo em um instante. Para transformar isso nos mais de 240 pontos de medição que a plataforma de fato publica, a IA precisa fazer um trabalho que nenhuma fita métrica conseguiria fazer com confiança.
Três coisas precisam acontecer, rápido e com precisão:
Detecção de pontos anatômicos. O modelo precisa identificar pontos de referência anatômicos. Onde exatamente fica a sétima vértebra cervical? Onde fica a cintura natural, em oposição à cintura aparente quando a postura muda? Onde fica o ápice do busto, a dobra do cotovelo, o centro do joelho, o maléolo lateral? Cada ponto de referência é a âncora de uma classe de medidas que vem depois.
Extração de medidas. Posicionados os pontos, o modelo calcula circunferências, comprimentos, profundidades e proporções entre eles. Uma circunferência de cintura não é o perímetro de uma fatia horizontal na nuvem de pontos. É o caminho que uma fita realmente faria, considerando postura, fase respiratória e a compressão de tecido mole que fitas reais causam.
Pontuação de qualidade. O modelo atribui um valor de confiança a cada medida que produz. Uma largura de ombro perfeitamente capturada com cobertura limpa recebe nota alta; uma entrepernas medida através de uma peça larga é marcada para recaptura. A pontuação de qualidade é o que transforma um escaneamento de artefato em infraestrutura.
O app Mobile Body Scan faz o mesmo trabalho a partir de outro ponto de partida: uma captura por câmera de celular em vez de um escaneamento denso de quiosque. Menos pontos brutos, mas a mesma arquitetura de IA, ajustada para ser confiável em hardware de consumo. O app móvel produz mais de 85 medidas; o Totem produz mais de 240. Ambos alimentam o mesmo ID Biométrico.
Etapa 2: casar o corpo com cada marca
Um ID Biométrico só é útil se uma marca puder fazer algo com ele. O detalhe é que nenhuma marca descreve as peças do mesmo jeito. Um vestido "tamanho 8" em uma marca tem dimensões de busto, cintura e quadril diferentes de um vestido "tamanho 8" em outra. Uma calça com "entrepernas 32" em uma marca cai diferente de uma "32" na seguinte. Tamanho não é um padrão, são mil opiniões.
O motor de combinação tem que traduzir entre essas opiniões. A marca sobe os dados do tech pack: medidas da peça, folga (quanto espaço a peça deixa em volta do corpo), graduação (como a peça escala entre tamanhos), e às vezes a elasticidade do tecido. A IA compara essas especificações contra o ID Biométrico do usuário e prevê como a peça vai cair naquele corpo específico, naquele tamanho específico, com o caimento pretendido pela marca.
É mais difícil do que parece. O modelo precisa aprender a intenção estética de cada marca: a marca A corta oversize de propósito, a marca B corta slim de propósito, a marca C gradua com o mesmo delta em cada tamanho enquanto a marca D usa deltas diferentes acima e abaixo de um certo limiar. Quando o motor conhece a gramática da marca, a recomendação que ele devolve não é um chute. É uma tradução.
Etapa 3: recalcular quando o corpo muda
Esse é o papel da IA que a maior parte das pessoas não percebe que está acontecendo. Corpos mudam. As pessoas ganham peso, perdem peso, treinam, dão à luz, se recuperam de uma lesão, ou simplesmente envelhecem. Uma medida tirada há um ano não é a mesma medida hoje. Se a plataforma exigisse um novo escaneamento completo a cada vez que o corpo mudasse, o ID Biométrico seria inútil para recomendações contínuas.
A IA da VyMetric lida com isso através de recálculo preditivo. O usuário atualiza um único sinal no Portal ou no app móvel, normalmente o peso, às vezes uma leitura de composição corporal, ocasionalmente um objetivo como "estou treinando para uma maratona". O modelo usa esse único sinal para re-derivar o resto do corpo, apoiando-se em padrões que aprendeu a partir de milhões de transições parecidas: como um ganho de 3 kg costuma se distribuir entre tronco e membros, como o treinamento redistribui circunferência e profundidade de forma diferente da mudança de peso sedentária, como o envelhecimento desloca razões proporcionais em direções sistematicamente diferentes da flutuação ano a ano.
O resultado é um ID Biométrico que se mantém preciso sem obrigar o usuário a voltar a um quiosque. Um usuário que escaneia uma vez e depois atualiza o peso umas duas vezes por ano recebe precisão contínua, de qualidade de recomendação, com quase nenhuma fricção.
Quando o recálculo preditivo acumula deriva demais, ou quando o usuário faz uma mudança grande (mudança significativa de peso, pós-gravidez, recuperação de uma lesão importante), o sistema sugere um novo escaneamento. O usuário decide quando isso acontece. O sistema avisa quando ajudaria.
Por que isso importa como pilar técnico
Os três papéis de IA descritos não são intercambiáveis. Cada um resolve um problema diferente e é cobrado por um padrão diferente. Juntos, eles são o que torna o ID Biométrico possível.
Por que o usuário pode confiar no que a IA faz
IA em dados corporais só funciona se o usuário confiar nela. A confiança não vem de um slogan. Vem da arquitetura. Três coisas que a IA da VyMetric foi feita para fazer, e três coisas que ela foi explicitamente feita para não fazer.
O que ela faz:
- Pontua sua própria confiança em cada medida e mostra ao usuário as de baixa confiança, em vez de fingir que cada valor é igualmente preciso.
- Permite ao usuário inspecionar, corrigir ou substituir qualquer medida com a qual ele não concorde, e aprende com a correção.
- Sugere um novo escaneamento quando o recálculo preditivo já saiu da faixa útil, em vez de deixar a precisão decair em silêncio.
O que ela não faz:
- Treinar o modelo de produção com dados identificáveis do usuário. O ID Biométrico fica com o usuário. Melhorias do modelo no nível populacional usam padrões anonimizados e agregados.
- Aplicar os dados do usuário a outra pessoa, ou os dados de outra pessoa ao usuário. Cada ID Biométrico é do próprio usuário, calibrado apenas pelo seu próprio escaneamento e por suas próprias atualizações.
- Entregar medidas brutas para as marcas. O motor de combinação devolve recomendações e renders de RA. A marca nunca recebe o conjunto subjacente de medidas.
O corpo é o passaporte. A IA o mantém válido.
Um passaporte que é preciso no dia em que é emitido e vai ficando desatualizado aos poucos não é realmente um passaporte. É uma lembrança. Para um ID Biométrico merecer o nome, ele precisa se manter preciso enquanto o corpo que descreve muda. É para isso que a IA serve.
A extração faz o ID existir. O casamento o torna útil. O recálculo preditivo o torna durável. Três etapas, um motor, um corpo que o sistema precisa acompanhar. O usuário escaneia uma vez, atualiza um sinal aqui e ali, e recebe um registro portátil do próprio corpo que viaja com ele entre marcas e ao longo dos anos. É assim que a IA aparece quando faz o trabalho que de fato importa.
O corpo é o passaporte. Nós emitimos o ID.