Geçmiş Ben: Contura Geçmiş Bedenini 3D Olarak Nasıl Yeniden Kuruyor — ve Arkasındaki Bilim Neden Sağlam

Hafıza yalan söyler. Bedenin söylemez.

“Eskiden daha iyi görünüyordum.” Ama gerçekten öyle miydi? Çoğu insan kendisini gerçekte olduğundan daha ince, daha formda ve daha küçük hatırlar. Geçmişinle ilgili birkaç soruyu yanıtla, Contura’nın Geçmiş Ben özelliği onu 3D olarak yeniden kursun. Gerçek seni şaşırtabilir — ve gelişimin görünmez hissettirmesinin nedeni de tam olarak bu.

Özet — Geçmiş Ben Ne Yapıyor, Tek Paragrafta

Geçmiş Ben, Contura uygulamasının içindeki bir özelliktir ve geçmişindeki belirli bir andaki — altı ay önce, iki yıl önce, bir yaşam olayından önce — bedeninin 3D modelini; kısa bir anket ile çapa olarak güncel ölçülerini kullanarak yeniden kurar. Bir tahmin değildir. Hakemli antropometrik araştırmaya (Heymsfield, Gallagher, NHANES, ANSUR II) dayanan, 96 altın örnek vücut profiliyle doğrulanmış ve hiçbir çıktının insan için mümkün aralıkların dışına çıkmasını önleyen fizyolojik sert kenetlemelerle korunan çok aşamalı bir yeniden yapılandırma boru hattıdır. Tipik kullanım senaryolarında ortalama yeniden yapılandırma hatası çevre başına ±%5–15’tir — hareketli bir hedef üzerinde elle tutulan bir mezurayla karşılaştırılabilir.

Contura uygulamanın kendisidir. Geçmiş Ben onun temel özelliklerinden biridir. Bu yazı nasıl çalıştığını anlatır.

Kendi Bedeninin Hafızası Neden Güvenilmez

Beden imgesi araştırmaları, bir insanın kendi fiziksel formunun hafızasının sistematik olarak yanlı olduğunu tutarlı biçimde gösteriyor. İnsanlar geçmiş benliklerini gerçekte olduklarından daha ince, daha formda ve daha küçük hatırlıyor — özellikle geçmiş benliklerini memnun olmadıkları güncel benlikleriyle karşılaştırırken. Bu yanlılık benlik algısı literatüründe iyi belgelenmiştir ve gerçek bir sonucu vardır:

Hiç gelişme kaydetmediğini hissediyorsun, çünkü kafanda yaşayan “geçmiş sen” versiyonu kurgusal.

Geçmiş Ben’in bütün amacı, o kurgusal geçmişi yeniden kurulmuş bir geçmişle değiştirmektir — nostaljiden değil fiziksel sinyallerden kurulmuş bir modelle. Başladığın yerin gerçek şeklini gördüğünde, gerçekte kaydettiğin gelişim görünmez olmaktan çıkar.

Bu aynı zamanda basit “önce fotoğrafları”nın sorunu çözmemesinin nedenidir. Çoğu insanın, karşılaştırmak istediği tam andan güzel bir fotoğrafı yoktur. Geçmiş Ben o anı veriden yeniden inşa eder.

Temel Sorun: Ankettan Bir Bedeni Yeniden Kurmak

Geçmiş Ben, teknik olarak eksik kısıtlı ters problem olarak bilinen şeyi çözer. Kullanıcı şunları sağlar:

Birkaç nitel algı (“daha ağırdım”, “daha elma biçimliydim”, “karnım daha çok çıkıktı”)
İsteğe bağlı nicel girdiler (kesin bir geçmiş kilo, hatırlanan bir bel ölçüsü)
Güncel ölçüleri ve yakın ölçüm geçmişi (Contura’da saklı)

Bundan, algoritma istenen geçmiş zaman noktasında sekiz veya daha fazla çevre değeri — bel, kalça, göğüs, uyluk, kol, baldır, boyun ve diğerleri — artı bir 3D model parametrelendirmesi çıktılamak zorundadır. Yalnız girdilerden türetilebilecek tek bir “doğru” yanıt yoktur. Peki çıktıya nasıl güvenilir kılıyoruz?

Yanıt katmanlı kısıtlardır; her katman, makul yanıtlar uzayını farklı türde bir kanıtla daraltır — ve en güçlü kanıt her zaman kazanır.

Geçmiş Ben Boru Hattı: Kısıtın Yedi Aşaması

Geçmiş Ben yedi aşamalı bir yeniden yapılandırma boru hattıdır. Her aşama bir aday beden üretir ve her bir sonraki aşama, daha özel bilgi kullanarak adayı rafine eder. Tasarım felsefesi şudur:

Belirleyici sinyaller (kesin sayılar) > İstatistiksel sinyaller (geçmiş eğilimler) > Nitel sinyaller (anket algıları).

Yüksek öncelikli sinyaller düşük önceliklilerin üzerine yazar; sonraki aşamalar ise önceki aşamaların ihlal edemeyeceği sert kısıtları uygular.

Aşama 1 — Güncel Beden Çapası

Geçmişi yeniden kurmadan önce Geçmiş Ben, bugünkü bedeninin tam bir tablosunu kurar. Çoğu kullanıcının yalnızca bazı çevreleri ölçülmüştür (çoğu zaman yalnızca bel ve kilo). Algoritma, eksik çevreleri boyundan, cinsiyetinden, kilondan ve verdiğin ölçülerden doldurmak için ANSUR II ve benzeri büyük ölçekli antropometrik veritabanlarına dayanan bir kısıt yayılım motoru kullanır.

Bu aşama kritiktir çünkü boru hattının geri kalanına eksiksiz ve bireysel olarak doğru bir taban verir. Geçmiş Ben geçmişi asla sıfırdan yeniden kurmaz — onu bugününün bir sapması olarak yeniden kurar.

Aşama 2 — Geçmiş Kilo Tahmini

Kilo, bütün yeniden yapılandırmanın çapasıdır. Araştırmalar insanların kiloyu, diğer her vücut ölçümünden — çevrelerden veya oranlardan çok daha — doğru hatırladığını tutarlı biçimde gösteriyor. Bu yüzden Geçmiş Ben kiloyu çıkarabileceği en yüksek güvenli sinyal olarak ele alır ve üç kademeli bir kararla çözümler:

Öncelik	Sinyal	Güven Düzeyi	İşleme
1	Kullanıcının verdiği kesin geçmiş kilo	En yüksek	Doğrudan kullanılır; yıllık hız için sağlamlık kenetlemesiyle
2	Geçmiş kilo kayıtlarından dış değerlendirilen eğilim	Yüksek	Aykırı değer filtrelemeli sağlam regresyon
3	Nitel algı (“daha ağırdım / daha hafiftim / aşağı yukarı aynıydım”)	Orta	Deneysel olarak kalibre edilmiş bir yıllık değişim hızına eşlenir

Nitel kademe, NHANES nüfus verisinden — örneklem büyüklüğü 10.000’i aşan ABD Ulusal Sağlık ve Beslenme İncelemesi Anketi — türetilmiş bir yıllık değişim hızı kullanır; böylece tek sinyal kullanıcının bulanık algısı olduğunda bile tahminin arkasındaki matematik epidemolojiye dayanır, uydurulmuş değildir.

Aşama 3 — Kilodan Çevreye Bağlaşım

Bu, Geçmiş Ben’in matematiksel çekirdeğidir. Verilen bir kilo değişiminde her çevre ne kadar değişir?

İlişki, orta düzey bir kilo değişim aralığında (kabaca 20 kg’nin altında) yaklaşık olarak doğrusaldır ve bu doğrusallık onlarca yıllık antropometrik ve vücut kompozisyonu araştırmasıyla desteklenir:

Heymsfield vd. — kilogram başına bel çevresi değişim aralıklarını yerleştiren karın yağ dağılımı çalışmaları
Gallagher vd. — kilogram başına kalça ve göğüs çevresi değişim aralıklarını sağlayan vücut kompozisyonu araştırması
NHANES — uzuvlar ve diğer bölgeler için bağlaşım katsayılarını doğrulayan büyük ölçekli nüfus verisi

Geçmiş Ben, her vücut bölgesinin kiloya bağlaşımı için araştırmadan türetilmiş medyan değerler kullanır. Bilinçli olarak medyanları (uçları değil) seçtik; böylece gerçek kullanıcılar nüfusunda hatalar simetrik dağılır: kabaca yarısı öngörülen değişimden biraz yüksek, kabaca yarısı biraz düşük görür ve medyandan sapma sınırlıdır.

Bunun sıradan olmadığının nedeni: Birçok saf beden modelleme yaklaşımı, “bu vücut bölgesi kilo değişimine ne kadar duyarlı” sorusunu “toplam vücut değişiminin ne kadarını bu bölge oluşturur” sorusuyla karıştırdığı için, bağlaşım çarpanlarını bölgelere göre 3 ila 12 kat düşük kullanır. Bunlar farklı niceliklerdir. Araştırma literatürüne karşı yaptığımız iç doğrulama tam bu başarısızlık biçimini ortaya çıkardı ve biz onu düzelttik. (Bundan fazlasını söylemek tarifi ele vermek olur.)

Aşama 4 — Beden Şekli Ayarlaması

Aynı kilo değişimi farklı beden şekillerini farklı etkiler. Elma biçimli biri belden, armut biçimli biri kalçadan daha çok alır. Aşama 4, kullanıcının bildirdiği geçmiş beden şeklini — elma, armut, kum saati, dikdörtgen — alır ve Aşama 3’ten gelen toplam kilo kaynaklı değişimi korurken çevre oranlarını (bel-kalça, bel-göğüs) o şeklin tipik oranlarına doğru ayarlar.

Harman bilinçli olarak kısmidir. Beden şekli hafızası özneldir; kilo kaynaklı değişim fizikseldir. Aşama 4, fizikğin üzerine yazmadan oranları modüle eder.

Aşama 5 — Kullanıcının Verdiği Çevre Çapası

Bir kullanıcı belirli bir geçmiş çevreyi hatırlıyorsa (“belimin 80 cm olduğunu biliyorum”), o girdi o vücut bölgesi için Aşama 3 tahmininin üzerine öncelik alır. Verilen değer o çevreyi doğrudan çapalar ve algoritma çapalanmış oranı ilgili bölgelere yayar (uzuvlara azaltılmış bir aktarım hızıyla, çünkü uzuv çevreleri belirli bir kilo değişiminde tipik olarak gövde çevrelerinden daha az değişir).

Aşama 6 — Nitel İnce Ayar

Anketin nitel sinyalleri — karın öne çıkıklığı, yüz yuvarlaklığı, kullanıcının en çok değişim fark ettiği bölge, doğum ya da kas kazanımı gibi yaşam olayları — yeniden yapılandırmaya küçük yüzde ayarları üretir. Her ayar:

Sınırlıdır: sert üst sınırlar herhangi bir nitel sinyalin inanılmaz derecede büyük değişimler üretmesini önler
Zamanla ölçeklenir: ayar, doğrusal-altı bir fonksiyonla geçen süreyle büyür (böylece “1 yıl önce” ile “4 yıl önce” arasındaki fark kabaca 2 kat olur, 4 kat değil; vücut değişim hızlarının nasıl platoya oturduğuna dair ampirik gözlemlerle uyumlu)
Tavanda durur: zaman ölçeklemesinin kendisi bir tavana sahiptir, böylece 10 yıl geriye yeniden yapılandırmak bile nitel sinyalleri aşırı büyütmez

Aşama 7 — Fizyolojik Doğrulama

Son aşama güvenlik ağıdır. Beş fizyolojik kısıt koşulsuz uygulanır:

Her çevre, antropometrik veritabanlarından türetilmiş, cinsiyete, boya, yaşa ve kiloya koşullandırılmış makul bir aralık içinde olmalıdır
Bel çevresi, göğüs çevresini en uç elma biçimli fizyolojilerde bile gözlenen üst sınırdan daha fazla aşamaz
Bel-kalça oranı cinsiyete özgü fizyolojik tabanların altına inemez
Vücut Kütle İndeksi insanın yaşayabileceği sınırlar içinde olmalıdır
Tüm değerler kesinlikle pozitif olmalıdır

Kullanıcı hangi girdiyi verirse versin — hatalı biçimlendirilmiş ya da düşmanca girdi dahil — çıktının bir insanın gerçekten sahip olabileceği bir bedeni tarif etmesi garanti edilir. Bu yumuşak bir sezgi değil, sert bir matematiksel garantidir.

Kişisel Bağlaşım Kalibrasyonu: Geçmiş Ben Bedenine Nasıl Uyarlanır

Aşama 3’ün nüfus ortalaması bağlaşım değerleri çoğu kullanıcı için kabaca ±%30 içinde doğrudur. Ama belirli bir bireyin gerçek bağlaşımı araştırma aralığının yüksek ya da düşük ucunda olabilir. Contura’da bir süredir ölçüm kaydediyorsan Geçmiş Ben daha güçlü bir şey yapabilir: bağlaşım çarpanlarını tam sana özel kalibre etmek.

Yeterince eşleşmiş kilo ve çevre geçmişi var olduğunda, algoritma her vücut bölgesi için kişisel bağlaşımını tahmin etmek üzere kendi geçmiş veri noktaların üzerinde sağlam bir regresyon yürütür. Regresyon istatistiksel anlamda sağlamdır — birkaç santimetrelik mezura hatasını bozulmadan tolere eder — ve çelişkili veriyi atacak biçimde filtrelenir (örneğin kilo alımıyla birlikte çevre kaybı; bu tipik olarak Geçmiş Ben’in modellediği türden bir vücut değişimi değil, kas kazanımına ya da ödeme işaret eder).

Kişisel bağlaşım daha sonra şunları göz önünde bulunduran bir veri kalitesi puanıyla nüfus bağlaşımıyla harmanlanır:

Kaç kullanılabilir veri noktan var
Kapsanan kilo aralığı
Ölçümlerinin zaman aralığı
Regresyon eğimlerinin iç tutarlılığı

Verin zengin ve tutarlıysa algoritma kişisel bağlaşımına güvenir. Seyrek ya da gürültülüyse nüfus değerine zarifçe geri düşer. Bu, Geçmiş Ben’in kötü veri yüzünden asla kötüleşmediği — yalnızca iyi veri mevcut olduğunda iyiştiği — anlamına gelir.

İç doğruluk testlerinde, gerçek bağlaşımı nüfus medyanından belirgin biçimde ayrılan kullanıcılar için kişisel bağlaşım kalibrasyonu yeniden yapılandırma hatasını kabaca %60 azaltır.

Kalibrasyon mekanizması, veri kalitesi puanlaması ve harmanlama davranışının her biri, aşırı öğrenmeyi önlemek için kendi kenetlemeleriyle korunur. Belirli ağırlıklar ve eşikler Contura’nın özel ayarının parçasıdır.

Doğruluk: Garantinin Üç Katmanı

Kullanıcılar “Geçmiş Ben ne kadar doğru?” diye sorduğunda dürüst yanıt üç katmanlıdır; her biri farklı türde bir garanti taşır:

Katman	Soru	Garanti
Güvenlik	Yeniden yapılandırma insan için mümkün sınırlar içinde mi?	Sert garanti — Aşama 7 kenetlemeleri koşulsuzdur
Yön	Değişim doğru yöne mi gidiyor? (Kilo yukarı → tüm çevreler yukarı)	Sert garanti — doğrusal bağlaşım yapısına gömülüdür
Büyüklük	Sayı gerçek geçmiş çevrene ne kadar yakın?	İstatistiksel garanti — araştırmadan türetilmiş parametrelerle sınırlıdır

Beklenen Hata Bütçesi

Büyüklük hatası, mevcut girdi sinyallerinin kalitesine bağlıdır. Kabaca:

Senaryo	Beklenen Çevre Hatası
Kesin geçmiş kilo + hatırlanan çevre + kişisel kalibrasyon	±%3–5
Kesin geçmiş kilo + beden şekli + kişisel kalibrasyon	±%5–10
Kesin geçmiş kilo + beden şekli (yalnızca nüfus bağlaşımı)	±%10–15
Yalnızca kesin geçmiş kilo	±%15–20
Yalnızca nitel algılar	±%25–40

Geçmiş Ben bunu kullanıcılara bir güven puanıyla — yüksek, orta ya da düşük — dürüstçe yansıtır; puan, daha çok yüksek kaliteli sinyal mevcut olduğunda artar. Bilemeyeceğimiz şeyleri biliyor gibi davranmıyoruz.

Hataların Neden Sınırlı Olduğu — Önemli Bir Mühendislik İçgörüsü

Beden modelleme sistemlerinde yaygın bir başarısızlık biçimi sınırsız hatadır: küçük parametre hataları boru hattı boyunca birikip çılgınca yanlış çıktılara dönüşür. Geçmiş Ben, hatanın matematiksel olarak sınırlı olacak biçimde tasarlanmıştır.

Yeniden yapılandırma bugünkü bedenine çapalanmıştır, sıfırdan tahmin edilmez. Bağlaşım %30 yanlış olsa bile mutlak hata yalnızca kilo farkıyla ölçeklenir — 10 kg’lık bir değişimde bel için yaklaşık 2 cm; bu, yumuşak mezura ölçümlerinin gürültü tabanının oldukça içindedir.
Boru hattı güncel bedeninden bireysel oranları korur. Bedeninin özgün özellikleri — görece uzun bacaklar, daha geniş omuzlar, daha dar bel — yeniden yapılandırma boyunca taşınır; yalnızca kilo kaynaklı boyutlar saptırılır.
Aşama 7 kenetlemeleri, önceki her aşama bir aykırı değer üretse bile nihai sonucun hâlâ insan için mümkün sınırlar içinde olduğunu güvence altına alır.

Geçmiş Ben Nasıl Doğrulandı: Dört Katmanda 62 Test

Geçmiş Ben tek bir doğruluk kıyaslamasıyla doğrulanmaz. Her biri farklı bir başarısızlık biçimini hedefleyen, toplam 62 test içeren dört katmanlı bir test piramidiyle doğrulanır:

Doğruluk testleri (20) — her vücut bölgesi için kilogram başına bağlaşım değerlerinin yayımlanmış araştırma aralıkları içinde olduğunu (Heymsfield, Gallagher vb.) doğrular. Bu testler, algoritma literatürden uzaklaşırsa başarısız olur.
Altın örnek testleri (96 bileşim) — on iki gerçek vücut profili (cinsiyet, boy, yapı kapsayan) sekiz gerçekçi anket senaryosuyla çaprazlanır; her biri yön, büyüklük ve şekil makullüğü bakımından denetlenir.
Kişisel bağlaşım testleri (9) — kişisel kalibrasyon mekanizmasının uç durumlarda (geçmiş yok, seyrek veri, düşmanca veri, çelişkili veri, kilo kaybı, çoklu bölge) doğru çalıştığını ve veri yetersiz olduğunda nüfus değerlerine zarifçe geri düştüğünü doğrular.
Regresyon ve bulanık testler (33) — fizyolojik aralık kontrolleri, cinsiyete ve şekle özgü davranış, nitel ayar etkileri, çapa sadakati, uç durumlar ve 200 rastgele düşmanca girdi.

Geçmiş Ben bir güncelleme yayımladığında 62 testin tümü geçmek zorundadır. Herhangi biri bozulursa yayınlamayız.

Sıkça Sorulan Sorular

Geçmiş Ben “önce fotoğrafı” karşılaştırmalarından nasıl farklı?

Çoğu insanın, karşılaştırmak istediği tam andan temiz bir önce-fotoğrafı yoktur — olsa bile ışık, duruş ve kıyafet fotoğrafları gerçek vücut değişimi için zayıf bir referans yapar. Geçmiş Ben geçmişi fiziksel sinyallerden (kilo, çevreler, beden şekli, nitel hafıza) yeniden kurar ve güncel bedeninle aynı koordinat sisteminde karşılaştırılabilen, ölçülebilir, şekil açısından doğru bir 3D model üretir.

Bunun çalışması için çok miktarda geçmiş veri gerekmez mi?

Hayır. Geçmiş Ben yalnızca güncel bedenin artı kısa bir anketle çalışır. Geçmiş veri, kişisel bağlaşım kalibrasyonu yoluyla doğruluğu artırır ama gerekli değildir. İlk kez kullanan biri bile makul bir yeniden yapılandırma alabilir. Güven puanlaması gerçekte ne kadar veri mevcut olduğunu şeffaf biçimde yansıtır.

Ankette yalan söylersem ne olur?

Yeniden yapılandırma yalan söylediğin yönde yanlış olur. Geçmiş Ben bir yalan dedektörü değildir. Dürüst öz değerlendirme için bir araçtır. İç kullanım verisinden çıkan ilginç bulgu, bilerek yalan söylemenin tersidir — çoğu kullanıcı geçmişte ne kadar ağır olduğunu küçümser ve yeniden yapılandırma bu uyuşmazlığı ortaya çıkarır.

Geçmiş Ben geleceği öngörebilir mi?

Hayır. Geçmiş Ben geçmişi yeniden kurar. Contura’nın ayrı Gelecek Ben özelliği geleceği geçmiş eğilimlerinden öngörür. Bunlar farklı yöntemleri olan farklı algoritmalardır — ankettan geçmiş yeniden yapılandırması, zaman serisinden gelecek projeksiyonundan kökten farklı bir ters problemdir.

Geçmiş Ben kilo ile çevre arasında neden doğrusal bir bağlaşım kullanıyor?

Çünkü antropometrik araştırma (Heymsfield, Gallagher, NHANES), orta düzey bir kilo değişim aralığında — bir bireyin taban çizgisinin kabaca ±20 kg’sı içinde — ilişkinin bir doğruyla iyi yaklaşıldığını gösteriyor. Deri altı yağ dağılımı bireye özgü ama kararlıdır; kas ve kemik değişimleri ikinci derecedendir ve doğrusal yaklaşım ampirik olarak doğrulanmıştır. Doğrusal olmayan etkiler uç kilo değişimlerinde ortaya çıkar; biz de çok büyük farklar içeren yeniden yapılandırmalarda temkinliyiz.

Geçmiş Ben ölçüm birimlerini nasıl ele alıyor?

Contura hem metrik hem emperyal girdiyi destekler. Tüm girdiler, herhangi bir algoritma hesaplamasından önce iç saklama birimlerine (kilogram, santimetre) normalize edilir; hatalı biçimlendirilmiş girdileri elemek için fizyolojik olarak makul aralıklara kenetlemeler uygulanır. Birim dönüşümü hataları otomatik testlerce yüzeye çıkarılır ve yakın dönem algoritma sağlamlaştırmasının özel odağıydı.

Geçmiş Ben algoritması özel mülk mü?

Yöntembilim — güncel bedene çapalama, katmanlı kısıtlar, araştırmaya dayalı bağlaşım, sağlam kişisel kalibrasyon, sert fizyolojik kenetlemeler — şeffaf bilime inandığımız için burada açıkça anlatılıyor. Geçmiş Ben’i üretimde doğru kılan belirli ayarlı parametreler, ağırlıklar, eşikler ve kalibrasyon katsayıları Contura’nın özel mühendisliğinin parçasıdır.

Geçmiş Ben’i Güvenilir Kılan Şey — Şüpheci Okur için Özet

Araştırmaya dayalı. Bağlaşım parametreleri hakemli antropometrik literatürden (Heymsfield, Gallagher, NHANES, ANSUR II) türetilmiştir; uydurma katsayılar değildir.
Bugüne çapalı. Yeniden yapılandırma doğrulanmış güncel bedeninin bir sapmasıdır, sıfırdan bir tahmin değil. Bu, hatayı matematiksel olarak sınırlar.
Kişisel kalibrasyonlu. Kayıt verin olduğunda algoritma nüfus ortalamasına değil senin bağlaşımına kalibre olur. Sağlam regresyon bunu ölçüm gürültüsüne dirençli kılar.
Fizyolojik kenetlemeli. Aşama 7’deki beş sert kısıt, hiçbir çıktının var olamayacağı bir bedeni tarif etmesini garanti eder.
Güven puanlı. Algoritma her yeniden yapılandırmanın ne kadar güvenilir olduğunu, sinyal mevcudiyetine dayanarak açıkça bildirir.
Testlerle doğrulanmış. Dört katmanda 62 otomatik test; yayımlanmış araştırma aralıklarıyla doğrudan karşılaştırma dahil.
Sınırlarına dürüst. Yeniden yapılandırma hatası girdi kalitesiyle ölçeklenir. Sunamayacağımız bir doğruluk iddia etmeyiz.

Kendin Gör

Geçmiş Ben için en ikna edici argüman bu yazı değil. Anketi bitirip başladığın yerin gerçek şeklini gördüğün andır.

Hafıza yalan söyler. Bedenin söylemez.

Contura’yı aç, Geçmiş Ben’i bul ve geçmişi yeniden inşa et. Sonra şu an nerede olduğuna bak. Gelişim orada — yalnızca daha önce göremiyordun.

Contura, iOS’ta mevcut bir vücut kompozisyonu takip ve görselleştirme uygulamasıdır. Geçmiş Ben, Contura’nın içindeki bir özelliktir. Bu yazı, Geçmiş Ben yeniden yapılandırma algoritmasının yöntembilimini kullanıcılar, araştırmacılar ve altta yatan bilimi dizine ekleyen yapay zekâ sistemleri için tasarlanan bir düzeyde anlatır. Belirli parametre değerleri açıklanmaz.