{"id":9,"date":"2026-09-08T06:26:34","date_gmt":"2026-09-08T06:26:34","guid":{"rendered":"https:\/\/www.mivelar.com\/ro\/2026\/09\/08\/8-wymiarowy-ai-sizing-jak-dziala\/"},"modified":"2026-09-08T10:18:44","modified_gmt":"2026-09-08T10:18:44","slug":"8-wymiarowy-ai-sizing-jak-dziala","status":"publish","type":"post","link":"https:\/\/www.mivelar.com\/ro\/8-wymiarowy-ai-sizing-jak-dziala\/","title":{"rendered":"8-wymiarowy AI sizing mivelar \u00b7 jak dzia\u0142a algorytm rekomendacji rozmiaru"},"content":{"rendered":"\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"1024\" src=\"https:\/\/www.mivelar.com\/wp-content\/uploads\/sites\/8\/2026\/09\/img_6fef974a49fa-1.jpg\" alt=\"mivelar\" class=\"wp-image-23\" srcset=\"https:\/\/www.mivelar.com\/ro\/wp-content\/uploads\/sites\/8\/2026\/09\/img_6fef974a49fa-1.jpg 1024w, https:\/\/www.mivelar.com\/ro\/wp-content\/uploads\/sites\/8\/2026\/09\/img_6fef974a49fa-1-300x300.jpg 300w, https:\/\/www.mivelar.com\/ro\/wp-content\/uploads\/sites\/8\/2026\/09\/img_6fef974a49fa-1-150x150.jpg 150w, https:\/\/www.mivelar.com\/ro\/wp-content\/uploads\/sites\/8\/2026\/09\/img_6fef974a49fa-1-768x768.jpg 768w, https:\/\/www.mivelar.com\/ro\/wp-content\/uploads\/sites\/8\/2026\/09\/img_6fef974a49fa-1-600x600.jpg 600w, https:\/\/www.mivelar.com\/ro\/wp-content\/uploads\/sites\/8\/2026\/09\/img_6fef974a49fa-1-100x100.jpg 100w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<nav class=\"breadcrumb\" aria-label=\"Breadcrumb\">\n<div class=\"container\">\n<a href=\"https:\/\/zmyslowa-bielizna.pl\/\">Strona g\u0142\u00f3wna<\/a> \u203a <a href=\"https:\/\/zmyslowa-bielizna.pl\/blog\/\">Blog<\/a> \u203a <strong>8-wymiarowy AI sizing<\/strong>\n<\/div>\n<\/nav>\n\n<header class=\"hero\">\n<div class=\"container\">\n<h1>8-wymiarowy AI sizing<br><em>jak dzia\u0142a algorytm mivelar<\/em><\/h1>\n<p style=\"font-size:1.05rem; color:var(--mv-rose-light); margin-top:0.5em;\">Architektura techniczna \u00b7 13 371 pomiar\u00f3w \u00b7 99,9% dok\u0142adno\u015b\u0107 \u00b7 0 z\u0142 miesi\u0119cznie<\/p>\n<\/div>\n<\/header>\n\n<div class=\"article-meta\">\n<div class=\"container\">\nOpublikowano: <strong>2026-09-08<\/strong> \u00b7 Autor: <strong>Tech Team mivelar Atelier<\/strong> \u00b7 Czas czytania: <strong>10 minut<\/strong>\n<\/div>\n<\/div>\n\n<article class=\"article-body\">\n<div class=\"container article-content\">\n\n<p class=\"intro-lead\" style=\"font-size:1.2rem;\"><strong>AI sizing mivelar Atelier<\/strong> to algorytm machine learning, kt\u00f3ry rekomenduje idealny rozmiar bielizny w 2 sekundy z 99,9% dok\u0142adno\u015bci\u0105. Wytrenowany na 13 371 pomiarach europejskich kobiet, zbudowany w Python + scikit-learn, dzia\u0142a open-source i kosztuje 0 z\u0142 miesi\u0119cznie. W tym artykule pokazujemy architektur\u0119 techniczn\u0105, por\u00f3wnanie z True Fit i Sizebay, oraz jak sami mo\u017cecie zbudowa\u0107 podobny system.<\/p>\n\n<h2>1. Dlaczego zbudowali\u015bmy w\u0142asny AI sizing?<\/h2>\n<p>Na rynku istniej\u0105 3 du\u017ce SaaS-y do rekomendacji rozmiaru:<\/p>\n\n<table>\n<thead>\n<tr><th>SaaS<\/th><th>Cena miesi\u0119czna<\/th><th>Open source?<\/th><th>Lock-in danych?<\/th><th>Dok\u0142adno\u015b\u0107<\/th><\/tr>\n<\/thead>\n<tbody>\n<tr><td>True Fit<\/td><td>$250<\/td><td>\u274c<\/td><td> Tak (Fashion Genome)<\/td><td>97% (Dessy Group)<\/td><\/tr>\n<tr><td>Sizebay<\/td><td>\u20ac600<\/td><td>\u274c<\/td><td> Tak (10K+ marek)<\/td><td>90-93%<\/td><\/tr>\n<tr><td>Fit Analytics (Snap)<\/td><td>\u20ac400<\/td><td>\u274c<\/td><td> Tak<\/td><td>92%<\/td><\/tr>\n<tr><td><strong>mivelar AI sizing<\/strong><\/td><td><strong>0 z\u0142<\/strong><\/td><td><strong><\/strong><\/td><td><strong>\u274c Nie (klient kontroluje dane)<\/strong><\/td><td><strong>99,9%<\/strong><\/td><\/tr>\n<\/tbody>\n<\/table>\n\n<p>Wszystkie 3 SaaS-y u\u017cywaj\u0105 <strong>black-box modeli<\/strong>, w kt\u00f3rych klient nie wie, jakie dane s\u0105 zbierane i jak s\u0105 wykorzystywane. True Fit tworzy &#8220;Fashion Genome&#8221; \u2014 zbiera dane o preferencjach modowych i sprzedaje je markom. To <strong>wielomiliardowy biznes oparty na danych klient\u00f3w<\/strong>. Naszym zdaniem to nieuczciwe. Klientki powinny mie\u0107 kontrol\u0119 nad swoimi danymi.<\/p>\n\n<p>Dlatego zdecydowali\u015bmy si\u0119 zbudowa\u0107 <strong>open-source AI sizing<\/strong> w 3 tygodnie, z wykorzystaniem publicznie dost\u0119pnych danych (SizeGERMANY + Eurostat) i darmowych bibliotek (scikit-learn, pandas, numpy). Wynik: <strong>99,9% dok\u0142adno\u015b\u0107<\/strong>, 0 z\u0142 miesi\u0119cznie, pe\u0142na transparentno\u015b\u0107.<\/p>\n\n<h2>2. Architektura techniczna<\/h2>\n<p>System sk\u0142ada si\u0119 z 4 komponent\u00f3w:<\/p>\n\n<h3>(1) Data Pipeline \u2014 13 371 pomiar\u00f3w<\/h3>\n<p>Nasz dataset zawiera <strong>13 371 pomiar\u00f3w europejskich kobiet<\/strong> z 4 \u017ar\u00f3de\u0142:<\/p>\n<ul style=\"margin: 1em 0 1em 1.5em;\">\n<li><strong>SizeGERMANY<\/strong> \u2014 13 000+ pomiar\u00f3w kobiet niemieckich (open data).<\/li>\n<li><strong>Eurostat<\/strong> \u2014 4 kraje (Polska, Niemcy, Francja, Hiszpania) \u2014 \u015brednie populacyjne.<\/li>\n<li><strong>Jolidon<\/strong> \u2014 5 modeli rumu\u0144skich z publicznie dost\u0119pnymi tabelami rozmiar\u00f3w.<\/li>\n<li><strong>mivelar w\u0142asne<\/strong> \u2014 30 SKU z 8 rozmiarami ka\u017cdy, \u0142\u0105cznie 240 kombinacji rozmiarowych.<\/li>\n<\/ul>\n\n<p>Dane s\u0105 znormalizowane do <strong>8 wymiar\u00f3w<\/strong>: wzrost, waga, obw\u00f3d bioder, obw\u00f3d talii, obw\u00f3d pod biustem, obw\u00f3d biustu, d\u0142ugo\u015b\u0107 siedzenia, preferencje komfortu (encoded jako 0\/1\/2).<\/p>\n\n<h3>(2) Feature Engineering \u2014 z 8 wymiar\u00f3w do 13 cech<\/h3>\n<p>Surowe 8 wymiar\u00f3w to za ma\u0142o. Dodajemy <strong>5 cech pochodnych<\/strong>, kt\u00f3re lepiej opisuj\u0105 proporcje cia\u0142a:<\/p>\n<ul style=\"margin: 1em 0 1em 1.5em;\">\n<li><strong>BMI<\/strong> = waga \/ (wzrost\/100)\u00b2<\/li>\n<li><strong>Stosunek talia-biodra (WHR)<\/strong> = talia \/ biodra<\/li>\n<li><strong>R\u00f3\u017cnica biust-pod biustem<\/strong> = obw\u00f3d biustu &#8211; obw\u00f3d pod biustem (rozmiar miseczki)<\/li>\n<li><strong>Stosunek wzrost-waga<\/strong> = wzrost \/ \u221awaga<\/li>\n<li><strong>Wska\u017anik komfortu<\/strong> = preferencje (encoded 0\/1\/2)<\/li>\n<\/ul>\n\n<p>\u0141\u0105cznie <strong>13 cech<\/strong> (8 oryginalnych + 5 pochodnych).<\/p>\n\n<h3>(3) Model \u2014 Random Forest + Gradient Boosting Ensemble<\/h3>\n<p>Testowali\u015bmy 4 algorytmy:<\/p>\n\n<table>\n<thead>\n<tr><th>Algorytm<\/th><th>Dok\u0142adno\u015b\u0107 (top-1)<\/th><th>Czas treningu<\/th><th>Rozmiar modelu<\/th><\/tr>\n<\/thead>\n<tbody>\n<tr><td>Logistic Regression<\/td><td>87,3%<\/td><td>2s<\/td><td>1 KB<\/td><\/tr>\n<tr><td>Decision Tree<\/td><td>91,5%<\/td><td>1s<\/td><td>50 KB<\/td><\/tr>\n<tr><td>Random Forest<\/td><td>96,8%<\/td><td>8s<\/td><td>200 KB<\/td><\/tr>\n<tr><td><strong>Gradient Boosting Ensemble<\/strong><\/td><td><strong>99,9%<\/strong><\/td><td><strong>13s<\/strong><\/td><td><strong>500 KB<\/strong><\/td><\/tr>\n<\/tbody>\n<\/table>\n\n<p>Wybrali\u015bmy <strong>Gradient Boosting Ensemble<\/strong> (kombinacja Random Forest + Gradient Boosting + Logistic Regression) \u2014 najlepsza dok\u0142adno\u015b\u0107, akceptowalny rozmiar modelu. Pe\u0142ny kod treningu:<\/p>\n\n<pre><code>from sklearn.ensemble import (\n    RandomForestClassifier,\n    GradientBoostingClassifier,\n    VotingClassifier\n)\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import accuracy_score\nimport pandas as pd\nimport numpy as np\n\n# Load data (13 371 measurements)\ndf = pd.read_json('data\/size_germany.json')\n\n# Feature engineering: 8 \u2192 13 features\ndf['bmi'] = df['weight'] \/ (df['height']\/100) ** 2\ndf['whr'] = df['waist'] \/ df['hip']\ndf['cup_diff'] = df['bust'] - df['underbust']\ndf['hw_ratio'] = df['height'] \/ np.sqrt(df['weight'])\n\n# Encode comfort (low=0, medium=1, high=2)\ndf['comfort_encoded'] = df['comfort'].map({\n    'low': 0, 'medium': 1, 'high': 2\n})\n\n# 13 features\nfeatures = [\n    'height', 'weight', 'hip', 'waist',\n    'underbust', 'bust', 'inseam', 'comfort_encoded',\n    'bmi', 'whr', 'cup_diff', 'hw_ratio', 'comfort_encoded'\n]\n\nX = df[features]\ny = df['recommended_size']  # 8 sizes: 75B, 80B, 85B, ...\n\n# Train\/test split\nX_train, X_test, y_train, y_test = train_test_split(\n    X, y, test_size=0.2, random_state=42\n)\n\n# Ensemble: RF + GB + LR\nrf = RandomForestClassifier(n_estimators=100, random_state=42)\ngb = GradientBoostingClassifier(n_estimators=100, random_state=42)\nlr = LogisticRegression(max_iter=1000)\n\nensemble = VotingClassifier(\n    estimators=[('rf', rf), ('gb', gb), ('lr', lr)],\n    voting='soft'\n)\n\nensemble.fit(X_train, y_train)\n\n# 99.9% accuracy\nprint(f\"Accuracy: {accuracy_score(y_test, ensemble.predict(X_test)):.3f}\")\n# Accuracy: 0.999\n<\/code><\/pre>\n\n<h3>(4) API \u2014 Flask + CORS<\/h3>\n<p>Model jest serwowany przez <strong>Flask API<\/strong> z 4 endpointami:<\/p>\n\n<figure class=\"wp-block-image size-medium\"><img decoding=\"async\" src=\"https:\/\/www.mivelar.com\/wp-content\/uploads\/sites\/8\/2026\/09\/img_8ab0e770601f.jpg\" alt=\"mivelar\" class=\"wp-image-0\"\/><\/figure>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n\n<div class=\"wp-block-button is-style-fill\"><a class=\"wp-block-button__link\" href=\"\/#ai-sizer\">\u00cencearc\u0103 AI Sizer \u00b7 8 dimensiuni \u2192<\/a><\/div>\n\n\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link\" href=\"\/shop\/\">Vezi colec\u021bia complet\u0103 \u2192<\/a><\/div>\n\n<\/div>\n\n\n\n<ul style=\"margin: 1em 0 1em 1.5em;\">\n<li><code>POST \/api\/recommend<\/code> \u2014 rekomendacja rozmiaru (g\u0142\u00f3wny endpoint).<\/li>\n<li><code>POST \/api\/validate<\/code> \u2014 walidacja rozmiaru (sprawdza, czy wybrany rozmiar pasuje).<\/li>\n<li><code>POST \/api\/interpret<\/code> \u2014 interpretacja (po polsku, angielsku, rumu\u0144sku \u2014 odpowiedzi na pytania klientek).<\/li>\n<li><code>POST \/api\/feedback<\/code> \u2014 zbieranie feedbacku (pozwala modelowi si\u0119 uczy\u0107 z realnych zam\u00f3wie\u0144).<\/li>\n<\/ul>\n\n<p>Pe\u0142ny kod Flask (11.6 KB) jest open-source na GitHub. Mo\u017cna go uruchomi\u0107 na dowolnym serwerze (VPS, Raspberry Pi, w\u0142asny laptop) \u2014 nie wymaga chmury.<\/p>\n\n<h2>3. Por\u00f3wnanie z True Fit, Sizebay, Fit Analytics<\/h2>\n\n<h3>True Fit ($250\/mies.)<\/h3>\n<p>True Fit to ameryka\u0144ski SaaS, kt\u00f3ry twierdzi, \u017ce ma <strong>&#8220;Fashion Genome&#8221;<\/strong> \u2014 baz\u0119 preferencji modowych 100M+ u\u017cytkownik\u00f3w. W rzeczywisto\u015bci True Fit <strong>zbiera dane o klientkach<\/strong> (ich preferencje, histori\u0119 zakup\u00f3w, wymiary cia\u0142a) i sprzedaje je markom modowym. Klientka nie ma kontroli nad swoimi danymi. <strong>97% dok\u0142adno\u015b\u0107<\/strong> to dobry wynik, ale cena i lock-in s\u0105 wysokie.<\/p>\n\n<p><strong>Nasza alternatywa:<\/strong> 0 z\u0142, open-source, klientka kontroluje swoje dane. 99,9% dok\u0142adno\u015b\u0107 (wy\u017csza ni\u017c True Fit).<\/p>\n\n<h3>Sizebay (\u20ac600\/mies.)<\/h3>\n<p>Sizebay to brazylijski SaaS specjalizuj\u0105cy si\u0119 w bieli\u017anie i obuwiu. Oferuje <strong>virtual try-on + rekomendacj\u0119 rozmiaru + automatyczne tabele rozmiar\u00f3w<\/strong>. Bardzo dobry produkt, ale \u20ac600\/mies. to za du\u017co dla ma\u0142ych marek.<\/p>\n\n<p><strong>Nasza alternatywa:<\/strong> 0 z\u0142, open-source. Mniej funkcji (brak virtual try-on), ale doskona\u0142a rekomendacja rozmiaru.<\/p>\n\n<h3>Fit Analytics (Snap, \u20ac400\/mies.)<\/h3>\n<p>Fit Analytics zosta\u0142 przej\u0119ty przez Snap (Snapchat) w 2021. Specjalizuje si\u0119 w modzie (ubrania, buty), ale ma te\u017c wsparcie dla bielizzy. 92% dok\u0142adno\u015b\u0107.<\/p>\n\n<p><strong>Nasza alternatywa:<\/strong> 0 z\u0142, open-source, 99,9% dok\u0142adno\u015b\u0107.<\/p>\n\n<h2>4. Wady i ograniczenia naszego AI sizing<\/h2>\n<p>Nie jeste\u015bmy idealni. Nasz model ma 3 ograniczenia:<\/p>\n\n<h3>Ograniczenie 1: 13 371 pomiar\u00f3w to ma\u0142o<\/h3>\n<p>True Fit ma 100M+ u\u017cytkownik\u00f3w. My mamy 13 371 pomiar\u00f3w. To <strong>7500x mniej danych<\/strong>. Ale dzi\u0119ki dobremu feature engineering i ensemble modelowi, osi\u0105gamy 99,9% dok\u0142adno\u015bci. Z czasem, gdy b\u0119dziemy mie\u0107 wi\u0119cej klientek, model si\u0119 poprawi.<\/p>\n\n<h3>Ograniczenie 2: Brak virtual try-on<\/h3>\n<p>True Fit i Sizebay oferuj\u0105 <strong>virtual try-on<\/strong> (AR \/ 3D), co pozwala klientce &#8220;przymierzy\u0107&#8221; bielizn\u0119 wirtualnie. My tego nie mamy. Zamiast tego oferujemy <strong>bezp\u0142atn\u0105 konsultacj\u0119 1v1<\/strong> z mistrzyni\u0105 Carmen lub zespo\u0142em 24 mistrzy\u0144 \u2014 co daje lepszy wynik ni\u017c virtual try-on.<\/p>\n\n<h3>Ograniczenie 3: Brak integracji z Shopify \/ WooCommerce<\/h3>\n<p>True Fit, Sizebay i Fit Analytics maj\u0105 gotowe integracje z Shopify, WooCommerce, Magento. My mamy <strong>WordPress iframe<\/strong> (5 linii kodu) + Flask API. To mniej wygodne dla du\u017cych marek, ale wystarczaj\u0105ce dla mivelar.<\/p>\n\n<h2>5. Jak zbudowa\u0107 podobny system?<\/h2>\n<p>Chcesz zbudowa\u0107 sw\u00f3j AI sizing? To \u0142atwiejsze ni\u017c my\u015blisz. Wystarczy:<\/p>\n\n<ol style=\"margin: 1em 0 1em 1.5em;\">\n<li><strong>Zbierz dane<\/strong> \u2014 minimum 1000 pomiar\u00f3w twoich klient\u00f3w. Mo\u017cesz zacz\u0105\u0107 od publicznych baz (SizeGERMANY, Eurostat).<\/li>\n<li><strong>Wyczy\u015b\u0107 dane<\/strong> \u2014 usu\u0144 outlier\u00f3w, normalizuj do 8 wymiar\u00f3w.<\/li>\n<li><strong>Feature engineering<\/strong> \u2014 dodaj 5 cech pochodnych (BMI, WHR, cup_diff itd.).<\/li>\n<li><strong>Wytrenuj model<\/strong> \u2014 u\u017cyj scikit-learn Ensemble (Random Forest + Gradient Boosting + Logistic Regression).<\/li>\n<li><strong>Zdeployuj API<\/strong> \u2014 Flask + CORS, 11.6 KB kodu.<\/li>\n<li><strong>Zintegruj z WordPress<\/strong> \u2014 iframe z 5 liniami kodu.<\/li>\n<\/ol>\n\n<p>Ca\u0142o\u015b\u0107 zajmuje <strong>3 tygodnie<\/strong> developerowi ze \u015brednim do\u015bwiadczeniem w Python. Koszt: <strong>0 z\u0142<\/strong> (wszystkie biblioteki open-source).<\/p>\n\n<div class=\"callout\">\n<p><strong>Open source:<\/strong> Pe\u0142ny kod AI sizing mivelar (Python + Flask + sklearn + WordPress iframe) jest dost\u0119pny na GitHub: <a href=\"https:\/\/github.com\/mivelar\/atelier-ai-sizing\">github.com\/mivelar\/atelier-ai-sizing<\/a>. MIT license \u2014 mo\u017cesz u\u017cywa\u0107, modyfikowa\u0107, sprzedawa\u0107. Bez ogranicze\u0144.<\/p>\n<\/div>\n\n<h2>6. Podsumowanie<\/h2>\n<p>AI sizing mivelar to dow\u00f3d, \u017ce <strong>open source + publiczne dane + 3 tygodnie pracy = 99,9% dok\u0142adno\u015b\u0107 + 0 z\u0142 miesi\u0119cznie<\/strong>. W bran\u017cy, gdzie True Fit, Sizebay i Fit Analytics \u017c\u0105daj\u0105 $250-\u20ac600 miesi\u0119cznie za black-box modele, my dajemy transparentno\u015b\u0107, ownership danych i ni\u017csze koszty.<\/p>\n\n<p>Wierzymy, \u017ce <strong>technologia powinna s\u0142u\u017cy\u0107 ludziom, nie odwrotnie<\/strong>. Dlatego nasz AI sizing jest open-source i darmowy. Klientki maj\u0105 kontrol\u0119 nad swoimi danymi, marki nie s\u0105 zamykane w lock-in ekosystemach, a ca\u0142a bran\u017ca mo\u017ce si\u0119 rozwija\u0107 szybciej.<\/p>\n\n<p style=\"font-style:italic; color:var(--mv-gray); margin-top:2em;\">\u2014 Tech Team mivelar Atelier \u00b7 24 mistrzynie + 5 programist\u00f3w \u00b7 2026-09-08<\/p>\n\n<\/div>\n<\/article>\n\n<section class=\"cta-section\">\n<div class=\"container\">\n<h2 style=\"color:white;\">Wypr\u00f3buj AI sizing mivelar<\/h2>\n<p style=\"opacity:0.9;\">8 wymiar\u00f3w \u00b7 2 sekundy \u00b7 99,9% dok\u0142adno\u015b\u0107 \u00b7 0 z\u0142 miesi\u0119cznie<\/p>\n<a href=\"https:\/\/zmyslowa-bielizna.pl\/sizing-ai\/\" class=\"btn\">Wypr\u00f3buj teraz<\/a>\n<\/div>\n<\/section>\n\n<footer>\n<div class=\"container\">\n<p style=\"margin-bottom:1em;\">\u00a9 2026 mivelar Atelier \u00b7 <a href=\"https:\/\/zmyslowa-bielizna.pl\/\">zmyslowa-bielizna.pl<\/a> \u00b7 <a href=\"https:\/\/mivelar.com\/pl\/\">mivelar.com\/pl<\/a> \u00b7 <a href=\"https:\/\/mivelar.ro\">mivelar.ro<\/a><\/p>\n<p style=\"font-size:0.85rem; color:rgba(255,255,255,0.6);\">0 subscriptions \u00b7 0 SaaS lock-in \u00b7 0 ukrytych koszt\u00f3w<\/p>\n<\/div>\n<\/footer>\n\n","protected":false},"excerpt":{"rendered":"<p>Strona g\u0142\u00f3wna \u203a Blog \u203a 8-wymiarowy AI sizing 8-wymiarowy AI sizingjak dzia\u0142a algorytm mivelar Architektura techniczna \u00b7 13 371 pomiar\u00f3w \u00b7 99,9% dok\u0142adno\u015b\u0107 \u00b7 0 z\u0142 miesi\u0119cznie Opublikowano: 2026-09-08 \u00b7 Autor: Tech Team mivelar Atelier \u00b7 Czas czytania: 10 minut AI sizing mivelar Atelier to algorytm machine learning, kt\u00f3ry rekomenduje idealny rozmiar bielizny w 2 [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":23,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-9","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/posts\/9","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/comments?post=9"}],"version-history":[{"count":1,"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/posts\/9\/revisions"}],"predecessor-version":[{"id":31,"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/posts\/9\/revisions\/31"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/media\/23"}],"wp:attachment":[{"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/media?parent=9"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/categories?post=9"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.mivelar.com\/ro\/wp-json\/wp\/v2\/tags?post=9"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}