Contour · KI-Passformvorhersage für den Fashion-E-Commerce

Derselbe Körper hat bei einer Jeans Größe 29 und bei einer optisch identischen Größe 28. Eine Größentabelle erkennt den Unterschied nicht. Wir haben die Engine gebaut, die es kann.

Name: Contour
Author: Veriprajna

Ihr Retourenproblem ist ein Passformproblem, und Passform ist ein Problem der Physik. Für einen gegebenen Körper (Körpermaße, kein Foto) und ein Kleidungsstück (Stoffmechanik plus Fertigmaße) berechnet Contour die Umfangsdehnung in jeder Zone im Vergleich zur Dehnungsgrenze dieses Stoffes, empfiehlt dann eine Größe mit Konfidenz oder enthält sich ehrlich, wenn keine Größe sauber passt. Agenten beraten, Code entscheidet.

+40 %-Punkte

Genauigkeitssteigerung gegenüber dem etablierten reinen Taillen-Größentabellen-Ansatz, 100 Prozent gegenüber 60 Prozent

Gelabeltes synthetisches Golden-Set aus 105 Paaren

67.6%

Der Paare erhielten eine einzelne Größe mit hoher Konfidenz, sodass Käufer nicht zwei Größen zur Auswahl bestellen müssen

Dasselbe 105-Paare-Golden-Set, Konfidenz mindestens 0.80

39 von 105

Passformkonflikte, die die Größentabelle ausgeliefert hätte, wurden vor dem Kauf erkannt

Dasselbe 105-Paare-Golden-Set

Eine ausführbare Demo des Mechanismus an einer synthetischen Kohorte von 15 Käufern und einem Katalog von 8 Kleidungsstücken. Die deterministische Dehnungs-Engine und der Benchmark laufen vollständig offline ohne API-Schlüssel; die optionalen Agenten sind der einzige Teil, der ein Modell nutzen kann.

Vier Zahlen, die vorgeben, einen Körper zu beschreiben, den sie nie auf Stoffeigenschaften vermessen haben

Bekleidungsretouren werden von Passformproblemen dominiert, und die Ursache ist mechanischer, nicht kosmetischer Natur.

Zwischen 53 und 67 Prozent der Bekleidungsretouren sind passformbedingt, und etwa 63 Prozent der Käufer betreiben Bracketing – sie bestellen zwei Größen, um eine zurückzuschicken (Veriprajna-Studie WP34, 2026, basierend auf Branchenquellen). Der Versanddienstleister trägt die Rückwärtslogistik, und Jeans weisen gerade wegen Dehnungs-, Leibhöhen- und Taillenmechanik mit die höchsten Retourenquoten bei Bekleidung auf.

Die Ursache ist einfach zu benennen: Eine Größentabelle liefert vier eindimensionale Zahlen zur Beschreibung eines 3D-Körpers und weiß nicht, ob der Stoff ungewaschener Raw-Selvedge-Denim ohne Dehnung oder 4-Wege-Ponte-Jersey ist. Daher führt dasselbe Taillenmaß denselben Käufer bei starrem Denim zur falschen und bei Stretch-Denim zur richtigen Größe – und die Tabelle kann diese beiden Kleidungsstücke nicht unterscheiden. Bracketing ist die rationale Reaktion der Käufer auf ein Werkzeug, das Stoffeigenschaften nicht erfassen kann.

Der Reflex der Branche bestand darin, Retouren durch bessere Bilder zu lösen. Eine generative virtuelle Anprobe lässt das Kleidungsstück am Körper passend aussehen, aber ein Bild verrät Ihnen nicht, ob der Oberschenkel die Dehnungsgrenze dieses Denims überschreitet, wenn sich der Käufer hinsetzt. Ob eine Größe passt, ist eine mechanische Tatsache: die Umfangsdehnung in jeder Körperzone im Vergleich zur Elastizitätsgrenze des Stoffes. Das ist die Größe, die eine Tabelle auslässt und ein Rendering nie besaß – und genau diese berechnet Contour.

Ein typisiertes Agenten-Team normalisiert die Texte; eine deterministische Engine entscheidet die Größe

Eine Pipeline, Stufe für Stufe dargestellt. Die tragende Entscheidung liegt in reinem, per Unit-Test abgesichertem Python – niemals in einem Modell.

Für einen Körper und ein Kleidungsstück läuft die Pipeline der Reihe nach ab: Ein FabricMechanicsAgent extrahiert eine strukturierte Spezifikation aus den Händlertexten, ein adversarieller Kritiker prüft sie und kann blockieren, die Dehnungs-Engine entscheidet die Größe in reinem Code, ein Policy-Gate wählt die saubere Größe oder enthält sich, und ein FitNoteAgent formuliert das Ergebnis. Jede Zahl, die eine Empfehlung bestimmt, wird berechnet, bevor ein Sprachmodell den Wortlaut berührt.

Produkttext + Körpermaße → FabricMechanicsAgent (extrahieren) → FabricMechanicsCritic (verifizieren, kann blockieren) → Dehnungs-Engine (entscheidet, reiner Code) → Policy-Gate (saubere Größe wählen, sonst enthalten) → FitNoteAgent (formulieren) → Audit-Beleg (JSON) + /api/fit-Endpunkt

Der deterministische Vertrauenskern

Der Teil außerhalb jedes Sprachmodells. Für jede Kandidatengröße berechnet die Dehnungs-Engine die Zonen-Dehnung als Körperumfang minus Fertigumfang des Kleidungsstücks geteilt durch diesen Fertigumfang und vergleicht dann jede Zone mit der Elastizitätsgrenze des Stoffes sowie einem zonenweisen Komfortband. Das Policy-Gate wählt die Größe mit dem geringsten Gesamt-Regret pro Zone und enthält sich, wenn keine Größe jede Zone innerhalb des Komfortbereichs abdeckt. Dies ist die tragende Entscheidung, sie liegt vollständig in reinem Python vor, und 8 Unit-Tests sichern die Physik ab, sodass Vertrauen nicht vom Modell abhängt.

Die Agenten, auf Beratung beschränkt

Auf dem Kern aufbauend liest und kommuniziert ein typisiertes Team. Der FabricMechanicsAgent wandelt unstrukturierte Produkttexte – Titel, Faserzusammensetzung, Flächengewicht und Konstruktion – in eine strukturierte Stoffspezifikation mit Dehnungsklasse, elastischer Dehnungsgrenze und den Quellformulierungen um, die jeden Parameter begründen. Der FabricMechanicsCritic prüft diese Spezifikation gegen physikalische Randbedingungen und blockiert Widersprüche. Der FitNoteAgent formuliert das berechnete Ergebnis. Die Berater sind anbieterübergreifend austauschbar und nutzen standardmäßig claude-opus-4-8; ohne API-Schlüssel greift die Stoffextraktion auf eine zwischengespeicherte Spezifikation zurück und die deterministische Engine läuft weiterhin live, sodass die Demo vollständig offline aufzeichnet. Agenten beraten, Code entscheidet.

Das Drei-Agenten-Team und wer das letzte Wort hat

Stufe	Aufgabe	Basis
FabricMechanicsAgent	Liest Händler-Produkttexte in eine strukturierte Stoffspezifikation mit Dehnungsklasse, elastischer Dehnungsgrenze, Flächengewicht und Quellformulierungen ein.	LLM, typisiert
FabricMechanicsCritic	Prüft die Spezifikation gegen physikalische Randbedingungen, blockiert Widersprüche und leitet Fälle ohne Empfehlung an die manuelle Prüfung weiter.	LLM plus deterministische Regeln
Dehnungs-Engine	Berechnet die zonenweise Umfangsdehnung im Vergleich zur Elastizitätsgrenze des Stoffes für jede Kandidatengröße.	reiner Code, entscheidet
Policy-Gate	Wählt die Größe mit dem geringsten Gesamt-Regret pro Zone oder enthält sich, wenn keine Größe jede Zone abdeckt.	reiner Code, enthält sich
FitNoteAgent	Formuliert das berechnete Ergebnis, beispielsweise „an der Hüfte anliegend, am Oberschenkel locker“. Er berechnet niemals die Zahlen.	LLM, kosmetisch
Audit-Beleg und API	Schreibt einen reproduzierbaren JSON-Beleg und stellt dasselbe Ergebnis unter /api/fit für einen KI-Shopping-Agenten bereit.	deterministische Ausgabe

Der dauerhafte Wert liegt in der Physik plus dem Audit-Beleg – nicht in einem Modell, das Größen besser errät. Selbst ein perfektes Sprachmodell benötigt weiterhin die Stoffmechanik, die Körpergeometrie, die zonenweise Dehnungsberechnung, die Enthaltungslogik und einen reproduzierbaren Beleg. Diese Infrastruktur ist das Produkt; das LLM ist ein austauschbarer Berater darin, weshalb der Ansatz mit besseren Modellen nicht veraltet.

Fünf Momente, auf dem Bildschirm

Jeder Käufer und jedes Kleidungsstück ist synthetisch: eine Kohorte von 15 Körpern und ein Katalog von 8 Kleidungsstücken mit fiktiven Namen. Jede Zahl auf dem Bildschirm wird von der Engine zur Laufzeit erzeugt, nicht fest einprogrammiert.

Die Erkenntnis: Raw Selvedge weist Riley Größe 29 zu, nicht die 28 der Größentabelle

Für Riley bei der Ironside 14oz Raw Selvedge Straight Jean gibt das System eine empfohlene Größe 29 mit 95 Prozent Konfidenz aus, komfortabel in jeder Zone. Eine reine Taillentabelle würde 28 angeben und läge falsch: Bei Größe 28 überschreitet der Oberschenkel die Dehnungsgrenze dieses starren Denims. Die zonenweisen Dehnungsbalken machen dies nachvollziehbar – grün dort, wo jede Zone innerhalb des Komfortbands des Stoffes liegt. Die Tabelle kann den Stoff nicht erfassen und lässt daher die entscheidende Variable aus.

Contour ermittelt für Riley bei der Ironside Raw Selvedge Jean Größe 29 bei 95 Prozent Konfidenz, mit dem Hinweis, dass eine reine Taillentabelle Größe 28 ausgeben würde und hier falsch läge, sowie zonenweisen Dehnungsbalken für Taille, Hüfte, Oberschenkel und Innenbein, die alle als komfortabel markiert sind. — Riley bei Raw Selvedge: Größe 29 bei 95 Prozent Konfidenz, wobei die 28 der reinen Taillentabelle als falsch durchgestrichen ist.

Gleicher Körper, anderer Stoff, andere korrekte Größe

Wechselt derselbe Käufer zur Driftwood Stretch Slim Jean – einer optisch ähnlichen Jeans –, fällt die korrekte Größe auf 28 bei 90 Prozent Konfidenz, passend in jeder Zone. Hier landet die reine Taillentabelle zufällig ebenfalls bei 28, weil die Dehnbarkeit dieses Stoffes dem Oberschenkel verzeiht, was der Raw Selvedge bestraft hat. Das ist die gesamte These auf den Punkt gebracht: 29 bei der einen Jeans und 28 beim optischen Zwilling am selben Körper, weil die Engine berechnet, wie die Dehnungsgrenze jedes Stoffes auf diesen Körper trifft.

Derselbe Käufer Riley bei der Driftwood Stretch Slim Jean mit einer empfohlenen Größe 28 bei 90 Prozent Konfidenz und dem Hinweis, dass die reine Taillentabelle hier ebenfalls bei 28 landet, weil der Stretch-Denim die übrigen Zonen toleriert. — Derselbe Körper bei Stretch-Denim: Größe 28. Die korrekte Größe änderte sich mit dem Stoff, nicht mit dem Käufer.

Wenn keine Größe sauber passt, enthält sich das System, statt zu bluffen

Der Käufer Jordan führt bei der Ironside Raw Selvedge Jean zu einem echten Passformkonflikt: Kleine Größen scheitern am Oberschenkel, größere Größen sitzen an der Taille zu locker, und bei diesem starren Stoff deckt keine Größe jede Zone ab. Contour gibt eine ehrliche Enthaltung bei 58 Prozent Konfidenz aus, empfiehlt die am wenigsten schlechte Größe und rät dem Käufer, zwei Größen zur Auswahl zu bestellen oder einen Stylisten zu kontaktieren. Die reine Taillentabelle druckt dagegen zuversichtlich 28 ab. Über das gelabelte Golden-Set hinweg enthält sich die Engine bei 33 von 105 Paaren, statt zu raten.

Contour enthält sich bei Jordan und der Ironside Raw Selvedge Jean bei 58 Prozent Konfidenz mit einem ehrlichen Enthaltungsbanner wegen eines echten Passformkonflikts (Taille und Hüfte locker, Oberschenkel eng) und empfiehlt die am wenigsten schlechte Größe 31 sowie eine Auswahlbestellung oder die Rücksprache mit einem Stylisten. — Der Enthaltungsmoment: Ein echter Passformkonflikt bei 58 Prozent Konfidenz, der zu einer Auswahlbestellung oder Beratung weitergeleitet wird, statt eine falsche Größe vorzutäuschen.

Ein adversarieller Kritiker blockiert physikalisch widersprüchliche Texte

Die Maverick Raw Selvedge Flex Jean enthält Händlertexte, die physikalisch widersprüchlich sind: 100 Prozent Baumwolle Raw Selvedge Denim mit 4-Wege-Stretch. Der FabricMechanicsCritic verweigert die Inferenz: Raw Selvedge und Elastan sind mechanisch inkompatibel; ein starres Webgewebe kann kein 4-Wege-Stretch sein. Es wird keine Größenempfehlung ausgegeben und der Artikel wird an die manuelle Prüfung weitergeleitet. Dies ist ein ehrliches Systemverhalten, keine bewertete Metrik, und dieses Kleidungsstück ist bewusst vom bewerteten Golden-Set ausgeschlossen; es dient dazu, die Blockierung zu demonstrieren.

Der Kritiker blockiert die Maverick Raw Selvedge Flex Jean mit einem roten Panel „Manuelle Prüfung“ und dem Hinweis: Stoffinferenz abgelehnt, da Raw Selvedge und Elastan mechanisch inkompatibel sind – ein starres Webgewebe kann kein 4-Wege-Stretch sein; daher wurde keine Größenempfehlung ausgegeben. — Widersprüchlicher Text (Raw Selvedge mit 4-Wege-Stretch) wird abgelehnt und ohne Größenempfehlung an die manuelle Prüfung weitergeleitet.

Der Benchmark und die Zahl, mit der man einsteigt

Auf dem gelabelten synthetischen Golden-Set mit 105 Paaren (15 Körper gegen 7 bewertete Kleidungsstücke) erzielt Contour 100 Prozent gegenüber einer reinen Taillen-Baseline von 60 Prozent – ein Zuwachs von 40 Prozentpunkten bei 39 erkannten Konflikten und 67.6 Prozent der Paare mit einer eindeutigen Größe hoher Konfidenz. Nennen Sie jedes Mal den Rahmen: Die Labels des Golden-Sets nutzen dieselben messbaren Stoffdehnungswerte wie die Engine; die 100 Prozent sind somit eine Eigenschaft dieses konstruierten Datensatzes und keine Garantie für die Praxis. Die dauerhafte, unabhängige Kennzahl ist der Zuwachs von +40 Punkten gegenüber der realen Methode, und er ist bei starren Stoffen am größten: Raw Selvedge 100 gegenüber 33, starre Chino 100 gegenüber 40, Wollanzug 100 gegenüber 53, strukturierter Satin 100 gegenüber 60, Stretch-Denim 100 gegenüber 53, Ponte-Strick 100 gegenüber 87, Rippstrick 100 gegenüber 93. Bei extrem dehnbaren Maschenwaren verzeiht der Stoff fast alles, sodass der reine Taillenabgleich beinahe aufschließt.

Die Benchmark-Ansicht von Contour mit einer Engine-Genauigkeit von 100 Prozent, einer reinen Taillen-Baseline von 60 Prozent, einem Genauigkeitszuwachs von +40 Prozentpunkten, 105 bewerteten Passformen, 39 erkannten Konflikten und 67.6 Prozent Einzelempfehlungen sowie einer Tabelle pro Käufer für die Raw-Selvedge-Jeans, die die Engine als korrekt und die reine Taillentabelle bei den Enthaltungsfällen als falsch ausweist. — Der Zuwachs von +40 Punkten auf dem gelabelten 105-Paare-Golden-Set, wobei sich der Vorteil der Engine bei starrem Denim und Maßkleidung konzentriert.

Ein reproduzierbarer Beleg und der Payload, den ein KI-Agent verarbeitet

Jede Empfehlung erzeugt einen JSON-Audit-Beleg: die extrahierte Stoffspezifikation mit den genauen Quellformulierungen hinter jedem Parameter, das Urteil des Kritikers, die vollständige Dehnungsmatrix pro Größe und die Entscheidung samt Konfidenz. Dasselbe Ergebnis wird unter /api/fit als maschinenlesbarer Payload bereitgestellt, den ein KI-Shopping-Agent verarbeitet – mit empfohlener Größe, Konfidenz, Enthaltungs-Flag, zonenweisem Passform-Array und einer Audit-ID. Wenn der Handel zu Agenten übergeht, die in unserem Auftrag einkaufen, muss das gelesene Größensignal konfidenzbewertet und prüfbar sein: ein Bericht statt eines Bildes.

Der Contour-Audit-Beleg in JSON mit der Stoffspezifikation (Stoffklasse Raw-Selvedge-Denim, Dehnung 1 Prozent, elastische Dehnungsgrenze 0.02, Extraktionskonfidenz 0.95), den Quellformulierungen „14oz raw selvedge denim, 100 percent cotton, rigid non-stretch“, dem Kritikerurteil und der Dehnungsmatrix pro Größe. — Der Audit-Beleg: Stoffherkunftsformulierungen, das Kritikerurteil und die vollständige Dehnungsmatrix pro Größe hinter der Entscheidung.

Die maschinenlesbare Antwort der Contour-Agenten-API mit recommended_size 29, confidence 0.95, abstain false, dem extrahierten Stoffblock und einem per_zone_fit-Array mit Dehnung und Komfortstatus für Taille, Hüfte und Oberschenkel. — Der /api/fit-Payload: Empfohlene Größe, Konfidenz, Enthaltungs-Flag und zonenweise Passform – alles zurückverfolgbar auf eine Audit-ID.

Wo Contour ansetzt – und wo nicht

Es ist die Passform-Intelligenzschicht – die Physik und die Ehrlichkeitspolitik –, kein hübscheres Bild und kein klügerer Rater.

Anforderung	Größentabelle oder virtuelle Anprobe	Contour
Dehnungsgrenze des Stoffes	Unsichtbar; dieselben Zahlen für starre und dehnbare Stoffe	Zonenweise berechnet im Vergleich zur Elastizitätsgrenze jedes Stoffes
Gleicher Körper, zwei ähnliche Jeans	Eine Größe für beide, bei der starren Jeans oft falsch	29 bei Raw Selvedge, 28 bei Stretch-Denim, jeweils korrekt
Wenn keine Größe sauber passt	Gibt dennoch selbstbewusst eine Größe aus	Enthält sich und empfiehlt Auswahlbestellung oder Stylisten
Widersprüchliche Händlertexte	Werden ungeprüft durchgewinkt	Von einem adversariellen Kritiker blockiert, zur manuellen Prüfung weitergeleitet
Wer entscheidet über die Größe	Eine Nachschlagetabelle oder ein ungeprüftes Modell	Eine deterministische, per Unit-Test abgesicherte Dehnungs-Engine, kein LLM
Was ein KI-Shopping-Agent liest	Ein Bild oder nichts Maschinenlesbares	Ein konfidenzbewerteter, enthaltungsfähiger /api/fit-Payload mit Audit-ID

Was diese Demo nicht leistet

Sie verspricht keine perfekte Passform. Die 100 Prozent beziehen sich auf ein festes, gelabeltes synthetisches Golden-Set aus 105 Paaren, dessen Labels dieselben messbaren Dehnungswerte wie die Engine nutzen; es handelt sich also nicht um eine Genauigkeitsgarantie für die Praxis. Die belastbare Zahl ist der Zuwachs von +40 Punkten gegenüber dem reinen Taillen-Ansatz.
Käufer, Körper, Kleidungsstücke, Produkttexte und Maße sind synthetisch. Die Kohorte aus 15 Körpern und der Katalog aus 8 Kleidungsstücken sowie Namen wie Riley, Jordan, Ironside, Driftwood und Maverick sind fiktiv.
Es handelt sich um ein analytisches Dehnungsmodell reduzierter Ordnung, nicht um eine vollständige FEA-Stoffsimulation. Wir integrieren FEA-Werkzeuge wie CLO3D, Browzwear oder Style3D auf Tier-3-Ebene; wir bauen sie hier nicht nach.
Es rekonstruiert keinen Körper aus einem Foto. Die gerätebasierte Foto-zu-Maß-Erfassung ist als Stub angelegt; die Demo nimmt Maße direkt entgegen, was auch der tatsächlichen datenschutzfreundlichen Schnittstelle entspricht.
Es gibt keine Live-Handelsintegrationen. Die Connectors für Shopify, CLO-SET und Browzwear sind als dokumentierte Adapter-Schnittstelle hinter Mock-Fixtures implementiert, nicht live geschaltet.
Es ist keine generative virtuelle Anprobe. Die gesamte These lautet, dass hübsche Pixel keine Passformdaten sind.
Die Enthaltung und der Kritiker werden als ehrliches Systemverhalten demonstriert, nicht als prozentualer Anteil erkannter Fehler vermarktet.
Es gibt keine echten Kunden, Marken, Produktivsetzungen, Testimonials, Logos oder behaupteten ROI-Zahlen. Die tragende Entscheidung ist deterministisches Python mit 8 Unit-Tests, und die LLM-Berater sind anbieterübergreifend austauschbar sowie überspringbar (standardmäßig claude-opus-4-8).

Fragen, die Einkäufer stellen

Wir veröffentlichen bereits eine Größentabelle und haben eine virtuelle Anprobe ergänzt. Warum haben wir immer noch Passformretouren?

Weil keines von beiden den Stoff erfassen kann. Eine Größentabelle liefert vier 1D-Zahlen zur Beschreibung eines 3D-Körpers und weiß nicht, ob der Denim starrer Raw Selvedge oder 4-Wege-Ponte ist. Ein generatives Anprobebild lässt das Kleidungsstück am Körper gut aussehen, sagt Ihnen aber nichts darüber, ob der Oberschenkel die Dehnungsgrenze dieses Stoffes überschreitet, wenn sich der Käufer hinsetzt. Passform ist eine mechanische Tatsache: die Umfangsdehnung in jeder Zone im Vergleich zur Elastizitätsgrenze des Stoffes – und genau das lassen Tabelle und hübsches Rendering aus. Contour berechnet dies direkt, weshalb derselbe Körper bei Raw Selvedge eine korrekte 29 und bei Stretch-Denim eine korrekte 28 sein kann.

Ist dies eine virtuelle Anprobe, die die Kleidung am Körper zeigt?

Nein. Das ist das Gegenteil unserer These. Eine virtuelle Anprobe kann Ihnen die Jeans am Körper zeigen und hat dennoch keine Ahnung, ob sie tatsächlich passt, weil hübsche Pixel keine Passformdaten sind. Contour nimmt Maße entgegen und liefert eine Größe, eine Konfidenz und zonenweise Passformhinweise zurück, die aus der Mechanik des Stoffes berechnet wurden. Es ist ein Bericht, kein Bild – was es zugleich zu einer Information macht, die ein KI-Shopping-Agent beim Checkout verarbeiten kann.

Sie sprechen von 100 Prozent auf Ihrem Benchmark. Liegt das System tatsächlich immer richtig?

Nein, und das behaupten wir nicht. Die 100 Prozent beziehen sich auf ein festes, gelabeltes synthetisches Golden-Set aus 105 Paaren, dessen Labels dieselben messbaren Stoffdehnungswerte wie die Engine verwenden. Dieser Datensatz ist somit kein vollständig unabhängiges Orakel und die 100 Prozent sind eine Eigenschaft dieses konstruierten Sets, keine Genauigkeitsgarantie für die reale Welt. Die maßgebliche Zahl ist der Zuwachs gegenüber der bisherigen Methode – dem reinen Taillenabgleich – auf denselben Labels: Contour übertrifft diese um 40 Prozentpunkte (100 Prozent gegenüber 60 Prozent), und der Vorsprung konzentriert sich auf starren Denim und Schneiderwaren, wo Passform am schwierigsten ist. Betrachten Sie 100 Prozent als interne Obergrenze auf einem gelabelten Datensatz, niemals als Versprechen perfekter Passform in freier Wildbahn.

Benötigt das System ein Foto oder einen Körperscan des Käufers?

Nein. Contour setzt auf Privacy-First: Maße rein, kein Foto. Die Demo nimmt Zentimetermaße direkt entgegen und gleicht sie mit der Stoffmechanik des Kleidungsstücks ab, was auch der tatsächlichen datenschutzfreundlichen Schnittstelle entspricht, die wir ausliefern würden. Die gerätebasierte Foto-zu-Maß-Erfassung ist in dieser Demo als Stub angelegt und nicht ausgebaut, sodass hier nichts von monokularer Körperrekonstruktion abhängt.

Ist das System heute mit Shopify oder unserem PLM, CLO3D oder Browzwear verbunden?

Nicht in dieser Demo. Die Connectors für Shopify, CLO-SET und Browzwear sind als dokumentierte Adapter-Schnittstelle hinter Mock-Fixtures aufgebaut, keine Live-Integrationen. Käufer, Kleidungsstücke, Produkttexte und Maße sind synthetische Testdaten, kein realer Katalog. Und um den Umfang präzise zu beschreiben: Dies ist ein analytisches Dehnungsmodell reduzierter Ordnung – die Tier-1- und Tier-2-Physik der Seite –, keine vollständige FEA-Stoffsimulation; wir integrieren FEA-Tools wie CLO3D oder Browzwear auf Tier-3-Ebene, wir bauen sie nicht nach.

Eine KI wählt die Größe aus, von der mein Checkout abhängt. Warum sollte ich ihr vertrauen?

Weil die tragende Entscheidung nicht von einem LLM getroffen wird. Die Größe und die Enthaltung werden in reinem, durch Unit-Tests abgesichertem Python berechnet: Für jede Kandidatengröße berechnet die Engine die Umfangsdehnung in jeder Zone im Vergleich zur Elastizitätsgrenze des Stoffes, und 8 Unit-Tests sichern diese Physik ab. Das Sprachmodell liest lediglich die unstrukturierten Händlertexte in eine strukturierte Stoffspezifikation ein und formuliert den abschließenden Hinweis; es berechnet niemals die Zahlen oder die Entscheidung. Agenten beraten, Code entscheidet – genau diese Eigenschaft macht die Lösung sicher für den Einsatz als API, die Ihr Checkout aufrufen kann.

Was tut das System, wenn es sich nicht sicher ist?

Es enthält sich, statt zu bluffen. Wenn keine einzelne Größe jede Zone innerhalb des Komfortbereichs abdeckt – etwa bei einem starren Stoff, bei dem kleine Größen am Oberschenkel scheitern und größere an der Taille zu locker sitzen –, empfiehlt das Policy-Gate die am wenigsten schlechte Größe und setzt den Hinweis auf Auswahlbestellung oder Stylistenberatung, statt wie die Größentabelle selbstbewusst eine falsche Größe auszugeben. Über das gelabelte 105-Paare-Golden-Set enthält sich die Engine bei 33 von 105 Paaren. Ein separates Ehrlichkeitselement, der adversarielle Kritiker, blockiert physikalisch widersprüchliche Händlertexte wie Raw Selvedge mit 4-Wege-Stretch und leitet sie ohne Größenempfehlung an die manuelle Prüfung weiter.

Technische Forschung

Die Forschung hinter dieser Demo – die Architektur, das Verifikationsdesign und der Blueprint für Unternehmen.

Gesamtlösung

Entdecken Sie die Gesamtlösung für KI-Passformvorhersage im Fashion-E-Commerce →

Machen Sie aus Ihrem Retourenproblem ein Passformproblem, das Sie berechnen können

Physik, die den Stoff versteht, und die Disziplin zur Enthaltung, wenn keine Größe sauber passt.

Wenn Ihr E-Commerce-, Retouren- oder Engineering-Team daran arbeitet, Käufern – und den KI-Agenten, die bald für sie einkaufen werden – ein verlässliches Größensignal zu geben, möchten wir gerne erfahren, wie Sie darüber nachdenken. Das Problem betrifft die gesamte Branche, und die Antworten werden es auch tun.

Passform- und Retourenbewertung

✓ Erfassen, wo sich Passformretouren und Auswahlbestellungen in Ihrem Katalog konzentrieren
✓ Modellierung der Stoffmechanik und zonenweisen Komfortbänder für Ihre Passformen
✓ Design der datenschutzfreundlichen Schnittstelle für Körpermaße – kein Foto erforderlich
✓ Definition der Enthaltungslogik, hinter der Ihre Merchandising- und CX-Teams stehen können

Bauen Sie mit uns

✓ Eine deterministische, per Unit-Test abgesicherte Dehnungs-Engine außerhalb jedes Modells
✓ Ein typisiertes Agenten-Team mit einem adversariellen Kritiker, der fehlerhafte Texte blockiert
✓ Ein konfidenzbewerteter /api/fit-Endpunkt mit reproduzierbaren Audit-Belegen
✓ Adapter-Schnittstellen für Shopify, CLO-SET, Browzwear und Ihr PLM

Über WhatsApp verbinden Unser Team per E-Mail kontaktieren