درون موتور سایزینگ آمازون؛ تبدیل مدل‌های سه‌بعدی به نسبت‌های نرمال

اگر امروز برای خرید لباس آنلاین روی جدول‌های سایز استاتیک حساب می‌کنید، احتمالاً با تجربهٔ مرجوع کردن کالا آشنا هستید. آمازون حالا با استفاده از برداربندی ویژگی‌های بدنی (Body-Attribute Vectors)، حدس و گمان در خرید دیجیتال را به یک محاسبهٔ ریاضی دقیق تبدیل کرده است.

برای اکثر خریداران، پیدا کردن سایز درست شبیه به یک قمار است. این فناوری پارادایم خرید را از برچسب‌های دسته‌ای — مثل «مدیوم» یا «لارج» — به اندازه‌گیری‌های پارامتریک تغییر می‌دهد. طبق گزارشی که در ۸ اکتبر ۲۰۲۶ توسط Miracuves منتشر شد، این رویکرد به خرده‌فروشان اجازه می‌دهد هندسهٔ فیزیکی منحصربه‌فرد کاربر را با ماتریس کشسانی یک لباس تطبیق دهند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی کاربردهای بینایی ماشین در تجارت الکترونیک اشاره کردیم، هدف نهایی حذف اصطکاک بین دنیای فیزیکی و دیجیتال است. این سامانه از یک معماری دادهٔ سه‌لایه استفاده می‌کند:

• تخمین مش پارامتریک: استخراج نقاط سطح سه‌بعدی از عکس‌های دوبعدی کاربر یا ورودی‌های دستی. این رویکرد استخراج ویژگی‌های بصری از تصاویر، مشابه سیستم تشخیص بیماری‌های شکمی علی‌بابا از روی سی‌تی‌اسکن است که دقت تشخیص را در حوزه سلامت ارتقا داده است.
• نرمال‌سازی برداری: تبدیل اندازه‌های میلی‌متری به نسبت‌های اسکالر؛ مثل شاخص کانتور باسن یا نسبت کمر به لگن.
• نگاشت کشسانی لباس: تطبیق این بردارها با ماتریس‌های تنش پارچه برای تعیین امتیاز نهایی تناسب.

برای مدیریت میلیون‌ها کالا در لحظه، آمازون از جست‌وجوی شباهت برداری (Vector Similarity Search) استفاده می‌کند. پروفایل کاربران به صورت بردارهای اعشاری رمزنگاری‌شده در پایگاه‌داده‌های تخصصی ذخیره می‌شوند. سپس موتور سیستم، شباهت کسینوسی (Cosine Similarity) — که مثل یک خط‌کش برای اندازه‌گیری زاویه و نزدیکی دو بردار در فضای ریاضی است — را بین بردار بدن کاربر و پروفایل ابعادی لباس محاسبه می‌کند تا بهترین سایز پیشنهاد شود. این بهره‌گیری از زیرساخت‌های برداری برای احراز هویت و تطبیق، یادآور استفاده از پایگاه‌های داده برداری در اپلیکیشن‌های دوستی برای مقابله با جعل عمیق است.

به دلیل حساسیت داده‌های بیومتریک، این معماری استانداردهای سخت‌گیرانه GDPR و CCPA را رعایت می‌کند. طبق مستندات فنی، این پشته از «پروفایل‌سازی با دانش صفر» استفاده می‌کند؛ به این معنا که معیارهای حساس پیش از رسیدن به سرور، در دستگاه کاربر هش و رمزنگاری می‌شوند.

علاوه بر این، سیستم برای جلوگیری از شناسایی مجدد کاربران در داده‌های آموزشی، از حریم خصوصی تفاضلی (Differential Privacy) — شبیه به اضافه کردن نویز یا برف به یک تصویر برای پنهان کردن جزئیات حساس بدون تغییر در کلیات — استفاده می‌کند. این تمرکز بر پردازش محلی و امن داده‌ها، هم‌سو با راهکارهای مدل‌های وزن‌باز برای بازبینی خصوصی کد است که هدفشان پایان دادن به نشت داده‌های حساس است. کاربران همچنین می‌توانند از طریق خروجی‌های JSON، بردارهای ذخیره‌شده خود را بازبینی یا حذف کنند.

این چرخش به سمت برداربندی بیومتریک یعنی صنعت پوشاک در حال خداحافظی کامل با سایزبندی‌های «استاندارد» است. برای مصرف‌کننده، این یعنی کاهش نرخ مرجوعی و برای خرده‌فروش، تبدیل زنجیره تأمین به یک عملیات داده‌محور بر اساس هندسهٔ واقعی جمعیت.

گام بعدی شما

• توسعه‌دهندگان می‌توانند برای پیاده‌سازی سیستم‌های مشابه، میکروسرویس‌های آماده برای جست‌وجوی برداری را بررسی کنند.
• بررسی استانداردهای رمزنگاری سمت کلاینت برای مدیریت داده‌های حساس بیومتریک.
• مطالعه روی مدل‌های تخمین مش سه‌بعدی از تصاویر دوبعدی.

اما تأثیر این دقت در کاهش هزینه‌های لجستیک و کربن، لایهٔ پیچیده‌تری از این داستان است — به تحلیل ما درباره‌ی بهینه‌سازی زنجیره تأمین با AI مراجعه کنید.