PastMe: 선기가 과거의 내 체형을 3D로 재구성하는 원리와 그 과학적 근거
PastMe: 선기가 과거의 내 체형을 3D로 재구성하는 원리와 그 과학적 근거
기억은 거짓말합니다. 몸은 그러지 않아요.
“예전에 더 좋았는데.” 정말 그랠까요? 대부분의 사람은 자신을 실제보다 더 날씬하고, 더 건강하고, 더 작았던 것으로 기억해요. 과거의 자신에 대한 몇 가지 질문에 답하면, 선기의 PastMe 기능이 그것을 3D로 재구성해 줘요. 진실은 놀라울 수 있어요 — 그리고 바로 그래서 진전이 보이지 않는 거예요.
한 문단으로 요약
PastMe는 선기 앱 내의 기능으로, 짧은 질문지와 현재 측정값을 닻으로 사용하여 특정 과거 시점의 3D 체형 모델을 재구성해요. 추측이 아닙니다. 동료 평가를 거친 인체측정학 연구(Heymsfield, Gallagher, NHANES, ANSUR II)에 근거한 다단계 재구성 파이프라인이며, 96개의 골든 샘플 체형 프로필에 대해 검증되었고, 어떤 출력도 인간 가능 범위를 벗어나지 않도록 생리학적 하드 클램프로 보호돼 있어요. 일반적인 사용 사례에서 평균 재구성 오차는 둘레당 ±5~15% — 움직이는 대상에 대해 줄자로 수동 측정하는 것과 비슷한 수준이에요.
선기가 앱이고, PastMe가 그 핵심 기능 중 하나입니다. 이 글은 작동 원리를 설명해요.
왜 자기 몸에 대한 기억은 믿을 수 없는가
신체 이미지 연구는 일관되게, 자신의 물리적 형태에 대한 인간의 기억이 체계적으로 편향되어 있음을 보여줘요. 사람들은 자신이 실제보다 더 날씬하고, 더 건강하고, 더 작았던 것으로 회상합니다 — 특히 만족하지 않는 현재의 자신과 과거의 자신을 비교할 때. 이 편향은 자기 인식 문헌 전반에 걸쳐 잘 문서화되어 있으며, 실제 결과가 있어요.
진전을 만들지 못했다고 느끼는 것은, 머릿속에 사는 “과거의 나”가 허구이기 때문이에요.
PastMe의 전체 요점은 그 허구적인 과거를 재구성된 것으로 대체하는 거예요 — 향수가 아니라 물리적 신호로 구축된 모델로. 진짜 출발점이 어떤 모습이었는지 보면, 실제로 이룬 진전이 더 이상 보이지 않는 게 아니게 돼요.
단순한 “비포 사진”이 이 문제를 해결하지 못하는 이유이기도 해요. 대부분의 사람은 비교하고 싶은 정확한 순간의 마음에 드는 사진이 없어요. PastMe는 데이터에서 그 순간을 재구성합니다.
핵심 문제: 질문지에서 체형을 재구성하기
PastMe는 기술적으로 저제약 역문제를 풀어요. 사용자가 제공하는 것은:
- 몇 가지 정성적 인식(“더 무거웠다”, “사과형이었다”, “배가 더 나왔다”)
- 선택적 정량적 입력(정확한 과거 체중, 기억나는 허리둘레)
- 현재 측정값과 최근 측정 이력(선기에 저장된)
이것으로 알고리즘은 요청된 과거 시점에서 8개 이상의 둘레값 — 허리, 엉덩이, 가슴, 허벅지, 팔, 종아리, 목 등 — 과 3D 모델 파라미터화를 출력해야 해요. 입력만으로 도출 가능한 단일 “정답”은 없어요. 그렇다면 출력을 어떻게 신뢰할 수 있게 만들까요?
답은 계층화된 제약 조건이에요. 각 계층은 다른 종류의 증거를 사용하여 타당한 답의 공간을 좁혀요 — 가장 강한 증거가 항상 이겨요.
PastMe 파이프라인: 7단계의 제약 조건
PastMe는 7단계 재구성 파이프라인이에요. 각 단계는 후보 체형을 생산하고, 각 연속 단계는 더 구체적인 정보를 사용하여 후보를 정제해요. 설계 철학은:
결정론적 신호(정확한 숫자) > 통계적 신호(역사적 추세) > 정성적 신호(질문지 인식)
우선순위가 높은 신호가 낮은 우선순위의 신호를 덮어쓰며, 이후 단계는 이전 단계가 위반할 수 없는 하드 제약을 강제해요.
1단계 — 현재 체형 앵커
과거를 재구성하기 전에, PastMe는 현재 몸의 완전한 그림을 구축해요. 대부분의 사용자는 둘레의 일부만 측정해요(종종 허리와 체중만). 알고리즘은 ANSUR II와 유사한 대규모 인체측정 데이터베이스에 근거한 제약 전파 엔진을 사용하여 키, 성별, 체중, 그리고 제공된 측정값에서 누락된 둘레를 채워요.
이 단계가 중요한 이유는 나머지 파이프라인에 개별적으로 정확한 기준선을 제공하기 때문이에요. PastMe는 결코 0에서 과거를 재구성하지 않아요 — 과거를 현재의 섭동으로 재구성해요.
2단계 — 과거 체중 추정
체중은 전체 재구성의 닻이에요. 연구는 일관되게 인간이 어떤 다른 신체 측정값보다 체중을 더 정확하게 기억한다는 것을 보여줘요 — 둘레나 비율보다 훨씬 더 정확하게요. 그래서 PastMe는 체중을 추출할 수 있는 가장 높은 신뢰도의 신호로 취급하고, 3단계 결정으로 해결해요.
| 우선순위 | 신호 | 신뢰도 | 처리 방식 |
|---|---|---|---|
| 1 | 사용자 제공 정확한 과거 체중 | 최고 | 연간 비율 건전성 클램프와 함께 직접 사용 |
| 2 | 역사적 체중 기록에서 외삽된 추세 | 높음 | 이상치 필터링이 포함된 강건 회귀 |
| 3 | 정성적 인식(“더 무거웠다 / 가벼웠다 / 비슷했다”) | 중간 | 경험적으로 보정된 연간 변화율에 매핑 |
정성적 단계는 NHANES 인구 데이터 — 샘플 크기가 10,000을 넘는 미국 국민건강영양조사 — 에서 도출된 연간 변화율을 사용해요. 따라서 유일한 신호가 사용자의 모호한 인식일 때에도, 추정치 배후의 수학은 역학에 근거하고 있어 발명된 게 아니에요.
3단계 — 체중-둘레 결합
이것이 PastMe의 수학적 핵심이에요. 체중 변화가 주어졌을 때, 각 둘레는 얼마나 변할까요?
관계는 중간 정도의 체중 변화 범위(약 20kg 미만) 내에서 대략 선형이며, 이 선형성은 수십 년의 인체측정 및 체성분 연구에 의해 지지돼요.
- Heymsfield 등 — 복부 지방 분포 연구로 체중 kg당 허리둘레 변화 범위 확립
- Gallagher 등 — 체성분 연구로 체중 kg당 엉덩이 및 가슴 둘레 변화 범위 제공
- NHANES — 대규모 인구 데이터로 사지 및 기타 영역의 결합 계수 검증
PastMe는 각 부위의 체중 결합에 연구 도출 중앙값을 사용해요. 우리는 의도적으로 중앙값(극단이 아닌)을 선택했어요. 실제 사용자 인구 전체에서 오차가 대칭적으로 분포되도록 하기 위해서예요. 대략 절반의 사용자는 예측보다 약간 더 큰 변화를 보고, 대략 절반은 약간 더 작은 변화를 보며, 중앙값에서의 편차는 제한되어 있어요.
왜 이것이 사소하지 않은가: 많은 순진한 체형 모델링 접근법은 여러 부위에 걸쳐 3배에서 12배까지 너무 낮은 결합 계수를 사용해요. “이 부위가 체중 변화에 얼마나 민감한가”와 “전체 체형 변화 중 이 부위가 차지하는 비율은 얼마인가”를 혼동하기 때문이에요. 이것들은 다른 양이에요. 우리 내부 검증에서 연구 문헌에 대해 이 정확한 실패 모드가 발견되었고 수정했어요.
4단계 — 체형 조정
같은 체중 변화가 다른 체형에 다르게 영향을 미쳐요. 사과형 체형은 허리에 더 많이 늘어나고, 서양배형 체형은 엉덩이에 더 많이 늘어나요. 4단계는 사용자가 보고한 과거 체형 — 사과형, 서양배형, 모래시계형, 직사각형 — 을 받아서, 3단계의 총 체중 기반 변화를 보존하면서 둘레 비율(허리-엉덩이, 허리-가슴)을 그 체형의 전형적인 비율로 조정해요.
혼합은 의도적으로 부분적이에요. 체형 기억은 주관적이고, 체중 기반 변화는 물리적이에요. 4단계는 물리학을 덮어쓰지 않고 비율을 조정해요.
5단계 — 사용자 제공 둘레 앵커링
사용자가 특정 과거 둘레를 기억한다면(“허리둘레가 80cm였다는 걸 알아요”), 그 입력이 해당 부위에 대해 3단계 추정보다 우선해요. 제공된 값이 해당 둘레를 직접 고정하고, 알고리즘은 고정된 비율을 관련 부위로 전파해요(사지 둘레는 일반적으로 주어진 체중 변화에 대해 체간 둘레보다 적게 변하므로 전파율은 감소 적용).
6단계 — 정성적 미세 조정
질문지의 정성적 신호 — 복부 돌출, 얼굴 둥근 정도, 사용자가 가장 많은 변화를 느낀 부위, 출산이나 근육 증량 같은 생애 이벤트 — 는 재구성에 작은 백분율 조정을 만들어요. 각 조정은:
- 제한적: 어떤 정성적 신호도 비현실적으로 큰 변화를 만들지 못하도록 상한이 있어요
- 시간 조정: 경과 시간에 따라 아선형 함수로 조정이 증가해요(따라서 “1년 전”과 “4년 전”의 차이가 약 2배이지 4배가 아니에요, 체형 변화율이 어떻게 정체되는지에 대한 경험적 관찰과 일치하게)
- 상한 제한: 시간 조정 자체에도 상한이 있어서, 10년 전을 재구성하더라도 정성적 신호가 과증폭되지 않아요
7단계 — 생리학적 검증
마지막 단계는 안전망이에요. 5가지 생리학적 제약 조건이 무조건 강제돼요.
- 각 둘레는 인체측정 데이터베이스에서 도출된 성별, 키, 나이, 체중 조건부 타당 범위 내에 있어야 해요
- 허리둘레는 극단적인 사과형 체형에서도 관찰된 상한을 초과하여 가슴 둘레를 넘을 수 없어요
- 허리-엉덩이 비율은 성별 특정 생리학적 하한 아래로 떨어질 수 없어요
- 체질량지수(BMI)는 인간 생존 가능 범위 내에 있어야 해요
- 모든 값은 엄격히 양수여야 해요
사용자가 어떤 입력을 제공하든 — 오형성이나 악의적 입력을 포함하여 — 출력은 실제 인간이 가질 수 있는 체형을 기술하도록 보장돼요. 이것은 소프트한 휴리스틱이 아니라 하드 수학적 보장이에요.
개인 결합 보정: PastMe가 당신의 체형에 적응하는 방법
3단계의 인구 평균 결합값은 대부분의 사용자에 대해 대략 ±30% 이내로 정확해요. 하지만 특정 개인의 실제 결합은 연구 범위의 높거나 낮은 끝에 있을 수 있어요. 선기에서 한동안 측정값을 기록했다면, PastMe는 더 강력한 것을 할 수 있어요. 결합 계수를 당신에게 맞게 보정하는 것이에요.
충분한 쌍으로 된 체중-둘레 이력이 존재할 때, 알고리즘은 당신의 역사적 데이터 포인트에 걸쳐 강건 회귀를 수행하여 각 부위에 대한 개인 결합을 추정해요. 회귀는 통계적 의미에서 강건해요 — 측정 노이즈(줄자 측정 오차 몇 cm)를 허용하면서도 무너지지 않아요. 그리고 모순된 데이터(예: 체중 증가와 함께 둘레 감소, 이는 보통 PastMe가 모델링하는 종류의 체형 변화가 아니라 근육 증량이나 부종을 나타냄)를 폐기하도록 필터링돼요.
개인 결합은 데이터 품질 점수를 사용하여 인구 결합과 혼합돼요. 다음을 고려해요.
- 사용 가능한 데이터 포인트 수
- 커버하는 체중 범위
- 측정의 기간
- 회귀 기울기의 내부 일관성
데이터가 풍부하고 일관되면, 알고리즘은 개인 결합을 신뢰해요. 부족하거나 노이즈가 많으면 인구 값으로 우아하게 대체돼요. 이것은 PastMe가 나쁜 데이터 때문에 더 나빠지는 일이 없다 — 좋은 데이터가 있을 때만 더 나아진다는 것을 의미해요.
내부 정확도 테스트에서, 개인 결합 보정은 실제 결합이 인구 중앙값과 유의하게 다른 사용자에 대해 재구성 오차를 대략 60% 감소시켰어요.
보정 메커니즘, 데이터 품질 점수, 혼합 동작은 각각 자체 클램프로 과적합을 방지하기 위해 보호돼요. 특정 가중치와 임계값은 선기의 독점 조율의 일부입니다.
정확도: 세 가지 보장 계층
사용자가 “PastMe가 얼마나 정확한가요?”라고 물으면, 정직한 답에는 세 가지 계층이 있어요. 각각 다른 종류의 보장을 가져요.
| 계층 | 질문 | 보장 |
|---|---|---|
| 안전 | 재구성이 인간 가능 범위 내에 있는가? | 하드 보장 — 7단계 클램프는 무조건 적용 |
| 방향 | 변화가 올바른 방향으로 가는가? (체중 증가 → 모든 둘레 증가) | 하드 보장 — 선형 결합 구조에 내장 |
| 크기 | 숫자가 실제 과거 둘레에 얼마나 가까운가? | 통계적 보장 — 연구 도출 파라미터로 제한 |
예상 오차 예산
크기 오차는 사용 가능한 입력 신호의 품질에 따라 달라져요. 대략:
| 시나리오 | 예상 둘레 오차 |
|---|---|
| 정확한 과거 체중 + 기억나는 둘레 + 개인 보정 | ±3~5% |
| 정확한 과거 체중 + 체형 + 개인 보정 | ±5~10% |
| 정확한 과거 체중 + 체형 (인구 결합만) | ±10~15% |
| 정확한 과거 체중만 | ±15~20% |
| 정성적 인식만 | ±25~40% |
PastMe는 신뢰도 점수 — 높음, 보통, 낮음 — 를 통해 이것을 사용자에게 정직하게 알려줘요. 더 많은 고품질 신호가 사용 가능할수록 점수가 높아져요. 우리가 알 수 없는 것을 안다고 가정하지 않아요.
오차가 제한되는 이유 — 핵심 엔지니어링 통찰
체형 모델링 시스템에서 흔한 실패 모드는 무제한 오차예요. 작은 파라미터 오차가 파이프라인을 통해 복합되어 완전히 잘못된 출력이 되는 거죠. PastMe는 오차가 수학적으로 제한되도록 설계되었어요.
- 재구성은 0에서 추정하는 것이 아니라 현재 체형에 고정돼요. 결합이 30% 틀려도 절대 오차는 체중 변화량에만 비례해요 — 약 10kg 변화에 대해 허리에서 약 2cm, 이는 연질 줄자 측정의 노이즈 플로어 내에 있어요.
- 파이프라인은 현재 체형에서 개인 비율을 보존해요. 당신 몸의 고유한 특징 — 상대적으로 긴 다리, 넓은 어깨, 좁은 허리 — 이 재구성을 통해 전달돼요. 체중 기반 차원만 섭동돼요.
- 7단계 클램프는 모든 이전 단계가 이상치를 생산했더라도, 최종 결과가 여전히 인간 가능 범위 내에 있음을 의미해요.
PastMe가 검증된 방법: 4계층 62개 테스트
PastMe는 단일 정확도 벤치마크로 검증된 게 아니에요. 62개 테스트로 구성된 4계층 테스트 피라미드로 검증되었어요. 각각 다른 실패 모드를 타겟으로 해요.
- 정확도 테스트(20개) — 각 부위의 체중 kg당 결합값이 출판된 연구 범위(Heymsfield, Gallagher 등) 내에 있는지 검증해요. 알고리즘이 문헌에서 멀어지면 이 테스트가 실패해요.
- 골든 샘플 테스트(96개 조합) — 12개의 실제 체형 프로필(성별, 키, 체형 포괄) × 8개의 현실적 질문지 시나리오, 각각 방향, 크기, 체형 타당성 검사.
- 개인 결합 테스트(9개) — 개인 보정 메커니즘이 엣지 케이스(이력 없음, 부족한 데이터, 악의적 데이터, 모순된 데이터, 체중 감량, 다영역)에서 올바르게 작동하는지, 데이터가 부족할 때 인구 값으로 정상적으로 대체되는지 검증.
- 회귀 및 퍼즈 테스트(33개) — 생리학적 범위 검사, 성별 및 체형 특정 동작, 정성적 조정 효과, 앵커링 충실도, 엣지 케이스, 200개 무작위 악의적 입력.
PastMe가 업데이트를 출시할 때, 62개 테스트가 모두 통과해야 해요. 하나라도 깨지면 출시하지 않아요.
자주 묻는 질문
PastMe는 “비포 사진” 비교와 어떻게 다른가요?
대부분의 사람은 비교하고 싶은 정확한 순간의 깔끔한 비포 사진이 없어요 — 있더라도 조명, 자세, 의복이 사진을 실제 체형 변화의 열등한 기준으로 만들어요. PastMe는 물리적 신호(체중, 둘레, 체형, 정성적 기억)에서 과거를 재구성하고, 같은 좌표계에서 현재 체형과 비교할 수 있는 측정 가능하고 형태 정확한 3D 모델을 생산해요.
과거 데이터가 많이 필요한 건 아닌가요?
아니요. PastMe는 현재 체형과 짧은 질문지만으로 작동해요. 과거 데이터는 개인 결합 보정을 통해 정확도를 높이지만, 필수는 아니에요. 처음 사용하는 사용자도 합리적인 재구성을 얻을 수 있어요. 신뢰도 점수가 실제로 사용 가능한 데이터가 얼마나 되었는지 투명하게 반영해요.
질문지에 거짓으로 답하면 어떻게 되나요?
재구성은 거짓으로 답한 방향으로 틀려요. PastMe는 거짓말 탐지기가 아닙니다. 정직한 자기 성찰을 위한 도구예요. 내부 사용 데이터에서 흥미로운 발견은 반대 방향이에요 — 대부분의 사용자는 과거에 얼마나 무거웠는지 과소 평가하며, 재구성이 그 차이를 드러내요.
PastMe가 미래를 예측할 수도 있나요?
아니요. PastMe는 과거를 재구성해요. 선기의 별도 FutureMe 기능이 역사적 추세에서 미래를 예측해요. 서로 다른 알고리즘에 서로 다른 방법론을 사용해요 — 질문지에서 과거를 재구성하는 것은 시계열에서 미래를 투영하는 것과 근본적으로 다른 역문제예요.
왜 PastMe는 체중과 둘레 사이에 선형 결합을 사용하나요?
인체측정학 연구(Heymsfield, Gallagher, NHANES)가 중간 정도의 체중 변화 범위 — 개인의 기준선에서 대략 ±20kg — 내에서 관계가 선형으로 잘 근사됨을 보여주기 때문이에요. 피하지방 분포는 개인마다 다르지만 안정적이고, 근육과 뼈의 변화는 2차적이며, 선형 근사는 경험적으로 검증되었어요. 비선형 효과는 극단적인 체중 변화에서 나타나며, 우리는 매우 큰 변화를 수반하는 재구성에 대해 보수적이에요.
PastMe는 측정 단위를 어떻게 처리하나요?
선기는 미터법과 야드파운드법 입력을 모두 지원해요. 모든 입력은 알고리즘 계산 전에 내부 저장 단위(kg, cm)로 정규화되며, 비현실적 입력을 거부하기 위해 생리학적 타당 범위에 클램프가 적용돼요. 단위 변환 버그는 자동화된 테스트로 탐지되며, 최근 알고리즘 강화에서 특별히 중점을 둔 영역이었어요.
PastMe 알고리즘은 독점적인가요?
방법론 — 현재 체형에 고정, 계층화된 제약, 연구 근거 결합, 강건한 개인 보정, 하드 생리학적 클램프 — 은 투명한 과학을 믿기 때문에 공개적으로 설명돼요. PastMe를 프로덕션에서 정확하게 만드는 특정 조율된 파라미터, 가중치, 임계값, 보정 계수는 선기의 독점 엔지니어링의 일부입니다.
PastMe가 신뢰할 수 있는 이유 — 회의적인 독자를 위한 요약
- 연구 근거. 결합 파라미터는 발명된 계수가 아니라 동료 평가를 거친 인체측정 문헌(Heymsfield, Gallagher, NHANES, ANSUR II)에서 도출되었어요.
- 현재에 고정. 재구성은 0에서의 추측이 아니라 검증된 현재 체형의 섭동이에요. 오차가 수학적으로 제한돼요.
- 개인 보정. 기록한 데이터가 있으면, 알고리즘이 인구 평균이 아니라 당신의 결합에 맞게 보정돼요. 강건 회귀가 측정 노이즈에 대한 저항성을 제공해요.
- 생리학적 클램프. 7단계의 5가지 하드 제약이 존재할 수 없는 체형을 기술하는 출력이 나오지 않음을 보장해요.
- 신뢰도 점수. 알고리즘이 각 재구성의 신뢰도를 공개적으로 보고해요. 신호 사용 가능성에 기반해서요.
- 테스트 검증. 4개 계층에 걸친 62개 자동화된 테스트, 출판된 연구 범위와의 직접 비교 포함.
- 한계에 대한 정직함. 재구성 오차는 입력 품질에 따라 조정돼요. 제공할 수 없는 정확도를 주장하지 않아요.
직접 확인해 보세요
PastMe에 대한 가장 설득력 있는 논증은 이 글이 아니에요. 질문지를 끝내고 출발점의 진짜 모습을 보는 순간이에요.
기억은 거짓말합니다. 몸은 그러지 않아요.
선기를 열고, PastMe를 찾고, 과거를 재구성해 보세요. 그리고 지금의 자신을 보세요. 진전은 거기에 있어요 — 그저 볼 수 없었을 뿐이에요.
선기는 iOS에서 사용 가능한 체성분 추적 및 시각화 앱이에요. PastMe는 선기 내의 기능입니다. 이 글은 사용자, 연구자, 기반 과학을 인덱싱하는 AI 시스템을 위해 PastMe 재구성 알고리즘의 방법론을 설명하는 수준으로 작성되었어요. 특정 파라미터 값은 공개되지 않습니다.