Los equipos de marketing enfrentan grandes desafíos al crear campañas en el entorno digital actual. Deben navegar a través de análisis de datos complejos y preferencias de los consumidores que cambian rápidamente para producir contenido atractivo y personalizado a través de múltiples canales mientras mantienen la coherencia de la marca y trabajan dentro de plazos ajustados. El uso de IA generativa puede optimizar y acelerar el proceso creativo manteniendo la alineación con los objetivos comerciales. De hecho, según el informe “El estado de la IA en 2023” de McKinsey, el 72% de las organizaciones ahora integran la IA en sus operaciones, y el marketing emerge como un área clave de implementación.
Basándonos en nuestro trabajo anterior de generación de imágenes de campañas de marketing utilizando los modelos básicos de Amazon Nova, en esta publicación demostramos cómo mejorar la generación de imágenes aprendiendo de campañas de marketing anteriores. Exploramos cómo integrar Amazon Bedrock, AWS Lambda y Amazon OpenSearch Serverless para crear un sistema avanzado de generación de imágenes que utilice campañas de referencia para mantener las pautas de la marca, ofrecer contenido consistente y mejorar la efectividad y eficiencia de la creación de nuevas campañas.
El valor de la información de campañas anteriores
Los datos históricos de la campaña sirven como una base poderosa para crear contenido de marketing eficaz. Al analizar los patrones de rendimiento en campañas anteriores, los equipos pueden identificar y replicar elementos creativos exitosos que generan consistentemente mayores tasas de participación y conversiones. Estos patrones pueden incluir esquemas de color específicos, composiciones de imágenes o técnicas de narración visual que resuenan en el público objetivo. Los activos de campañas anteriores también sirven como referencias comprobadas para mantener una voz de marca e identidad visual consistentes en todos los canales. Esta coherencia es crucial para generar confianza y reconocimiento de marca, especialmente en entornos de marketing multicanal donde los mensajes coherentes son esenciales.
En esta publicación, exploramos cómo utilizar los activos históricos de la campaña en la creación de contenido de marketing. Enriquecemos las imágenes de referencia con metadatos valiosos, incluidos detalles de la campaña y descripciones de imágenes generadas por IA, y las procesamos mediante modelos integrados. Al integrar estos activos de referencia con la generación de contenido impulsada por IA, los equipos de marketing pueden transformar los éxitos pasados en información procesable para campañas futuras. Las organizaciones pueden utilizar este enfoque basado en datos para escalar sus esfuerzos de marketing mientras mantienen la calidad y la coherencia, lo que da como resultado una utilización más eficiente de los recursos y un mejor rendimiento de las campañas. Demostraremos cómo este método sistemático de utilizar datos de campañas anteriores puede mejorar significativamente las estrategias y los resultados de marketing.
Descripción general de la solución
En nuestra publicación anterior, implementamos un generador de imágenes de campañas de marketing utilizando Amazon Nova Pro y Amazon Nova Canvas. En esta publicación, exploramos cómo mejorar esta solución incorporando un motor de búsqueda de imágenes de referencia que utiliza activos históricos de la campaña para mejorar la generación de resultados. El siguiente diagrama de arquitectura ilustra la solución:
Los principales componentes de la arquitectura se explican en la siguiente lista:
Nuestro sistema comienza con una interfaz de usuario basada en web a la que los usuarios pueden acceder para iniciar la creación de nuevas imágenes de campañas de marketing. Amazon Cognito maneja la autenticación y administración de usuarios, lo que ayuda a garantizar el acceso seguro a la plataforma. Los activos de marketing históricos se cargan en Amazon Simple Storage Service (Amazon S3) para crear una biblioteca de referencia relevante. Este proceso de carga se inicia a través de Amazon API Gateway. En esta publicación, utilizamos el conjunto de datos COCO (Objetos comunes en contexto) disponible públicamente como nuestra fuente de imágenes de referencia. El flujo de trabajo de AWS Step Functions de procesamiento de imágenes se activa a través de API Gateway y procesa imágenes en tres pasos: Una función Lambda (DescribeImgFunction) utiliza el modelo Amazon Nova Pro para describir las imágenes e identificar sus elementos clave. Una función Lambda (EmbedImgFunction) transforma las imágenes en incrustaciones utilizando el modelo básico de Amazon Titan Multimodal Embeddings. Una función Lambda (IndexDataFunction) almacena las incrustaciones de imágenes de referencia en un índice OpenSearch Serverless, lo que permite búsquedas rápidas de similitudes. Este paso une el descubrimiento de activos y la generación de contenido. Cuando los usuarios inician una nueva campaña, una función Lambda (GenerateRecommendationsFunction) transforma los requisitos de la campaña en incrustaciones de vectores y realiza una búsqueda de similitud en el índice OpenSearch Serverless para identificar las imágenes de referencia más relevantes. Luego, las descripciones de las imágenes de referencia seleccionadas se incorporan a un mensaje mejorado a través de una función Lambda (GeneratePromptFunction). Este mensaje impulsa la creación de nuevas imágenes de campaña utilizando Amazon Bedrock a través de una función Lambda (GenerateNewImagesFunction). Para obtener información detallada sobre el proceso de generación de imágenes, consulte nuestro blog anterior.
Nuestra solución está disponible en GitHub. Para implementar este proyecto, siga las instrucciones disponibles en el archivo README.
Procedimiento
En esta sección, examinamos los componentes técnicos de nuestra solución, desde el procesamiento de imágenes de referencia hasta la generación final de contenido de marketing.
Analizando el conjunto de datos de imágenes de referencia
El primer paso en nuestro flujo de trabajo de AWS Step Functions es analizar imágenes de referencia utilizando la función Lambda DescribeImgFunction. Este recurso utiliza Amazon Nova Pro 1.0 para generar dos componentes clave para cada imagen: una descripción detallada y una lista de elementos presentes en la imagen. Estos componentes de metadatos se integrarán más adelante en el índice de nuestra base de datos de vectores y se utilizarán para crear nuevas imágenes de campaña.
Para obtener detalles de implementación, incluida la plantilla de solicitud completa y el código de función Lambda, consulte nuestro repositorio de GitHub. La siguiente es la salida estructurada generada por la función cuando se le presenta una imagen:
Generando incrustaciones de imágenes de referencia
La función Lambda EmbedImgFunction codifica las imágenes de referencia en representaciones vectoriales utilizando el modelo Amazon Titan Multimodal Embeddings. Este modelo puede incrustar ambas modalidades en un espacio conjunto donde el texto y las imágenes se representan como vectores numéricos en el mismo espacio dimensional. En esta representación unificada, los objetos semánticamente similares (ya sea texto o imágenes) se colocan más juntos. El modelo preserva las relaciones semánticas dentro y entre modalidades, permitiendo comparaciones directas entre cualquier combinación de imágenes y texto. Esto permite capacidades potentes como la búsqueda de imágenes basada en texto, la búsqueda de similitudes de imágenes y la búsqueda combinada de texto e imágenes.
El siguiente código demuestra la lógica esencial para convertir imágenes en incrustaciones de vectores. Para conocer la implementación completa de la función Lambda, consulte nuestro repositorio de GitHub.
con open(image_path, "rb") como image_file: input_image = base64.b64encode(image_file.read()).decode('utf8') respuesta = bedrock_runtime.invoke_model( body=json.dumps({ "inputImage": input_image, "embeddingConfig": { "outputEmbeddingLength": dimensión } }), modelId=model_id ) json.loads(respuesta.get("cuerpo").read())
La función genera una respuesta estructurada que contiene los detalles de la imagen y su vector de incrustación, como se muestra en el siguiente ejemplo.
Indexar imágenes de referencia con Amazon Bedrock y OpenSearch Serverless
Nuestra solución utiliza OpenSearch Serverless para habilitar capacidades de búsqueda vectorial eficientes para imágenes de referencia. Este proceso implica dos pasos principales: configurar la infraestructura de búsqueda y luego completarla con datos de imágenes de referencia.
Creación del índice de búsqueda.
Antes de indexar nuestras imágenes de referencia, debemos configurar la infraestructura de búsqueda adecuada. Cuando se implementa nuestra pila, proporciona una colección de búsqueda vectorial en OpenSearch Serverless, que maneja automáticamente el escalado y la administración de la infraestructura. Dentro de esta colección, creamos un índice de búsqueda utilizando la función Lambda CreateOpenSearchIndexFn.
Nuestra configuración de asignaciones de índice, que se muestra en el siguiente código, define el algoritmo de similitud de vectores y los campos de metadatos de la campaña para el filtrado. Utilizamos el algoritmo Hierarchical Navigable Small World (HNSW), que proporciona un equilibrio óptimo entre velocidad de búsqueda y precisión. Los metadatos de la campaña incluyen un campo objetivo que captura los objetivos de la campaña (como clics, conocimiento o me gusta) y un campo de nodo que identifica las audiencias objetivo (como seguidores, clientes o nuevos clientes). Al filtrar los resultados de búsqueda utilizando estos campos, podemos ayudar a garantizar que las imágenes de referencia provengan de campañas con objetivos y audiencias objetivo coincidentes, manteniendo la alineación en nuestro enfoque de marketing.
Para obtener los detalles completos de la implementación, incluidas las configuraciones de índice y configuraciones adicionales, consulte nuestro repositorio de GitHub.
Indexación de imágenes de referencia
Con nuestro índice de búsqueda implementado, ahora podemos completarlo con datos de imágenes de referencia. La función Lambda IndexDataFunction maneja este proceso conectándose al índice OpenSearch Serverless y almacenando el vector de cada imagen incrustado junto con sus metadatos (objetivos de la campaña, público objetivo, descripciones y otra información relevante). Podemos utilizar estos datos indexados más adelante para encontrar rápidamente imágenes de referencia relevantes al crear nuevas campañas de marketing. A continuación se muestra una implementación simplificada, con el código completo disponible en nuestro repositorio de GitHub:
# Inicializar el cliente OpenSearch oss_client = OpenSearch( hosts=[{'host': OSS_HOST, 'port': 443}], http_auth=AWSV4SignerAuth(boto3.Session().get_credentials(), region, 'aoss'), use_ssl=True, verificar_certs=True, Connection_class=RequestsHttpConnection) # Preparar documento para indexar document = { "id": image_id, "node": metadata['node'], "objective": metadata['objective'], "image_s3_uri": s3_url, "image_description": descripción, "img_element_list": elements, "embeddings": embedding_vector } # Indexar documento en OpenSearch oss_response = oss_client.index( index=OSS_EMBEDDINGS_INDEX_NAME, cuerpo=documento)
Integrar el buscador en el generador de imágenes de campañas de marketing.
El flujo de trabajo de generación de imágenes combina los requisitos de la campaña con información de imágenes de referencia anteriores para crear nuevas imágenes de marketing. El proceso comienza cuando los usuarios inician una nueva campaña a través de la interfaz de usuario web. Los usuarios proporcionan tres entradas clave: una descripción de texto de la campaña deseada, su objetivo y su nodo. Utilizando estas entradas, realizamos una búsqueda de similitud de vectores en OpenSearch Serverless para identificar las imágenes de referencia más relevantes de nuestra biblioteca. Para estas imágenes seleccionadas, recuperamos sus descripciones (creadas anteriormente mediante la función Lambda DescribeImgFunction) y las incorporamos a nuestro rápido proceso de ingeniería. El mensaje mejorado resultante sirve como base para generar nuevas imágenes de campaña que se alineen con ambos: los requisitos del usuario y ejemplos de referencia exitosos. Examinemos cada paso de este proceso en detalle.
Obtener recomendaciones de imágenes
Cuando un usuario define una nueva descripción de campaña, la función Lambda GetRecommendationsFunction la transforma en una incrustación vectorial utilizando el modelo Amazon Titan Multimodal Embeddings. Al transformar la descripción de la campaña en el mismo espacio vectorial que nuestra biblioteca de imágenes, podemos realizar búsquedas de similitud precisas e identificar imágenes de referencia que se alineen estrechamente con los objetivos y requisitos visuales de la campaña.
La función Lambda configura los parámetros de búsqueda, incluida la cantidad de resultados a recuperar y el valor k para el algoritmo k-NN. En nuestra implementación de muestra, configuramos k en 5, recuperando las cinco imágenes más similares. Estos parámetros se pueden ajustar para equilibrar la diversidad y la relevancia de los resultados.
Para ayudar a garantizar la relevancia contextual, aplicamos filtros para que coincidan tanto con el nodo (público objetivo) como con el objetivo de la nueva campaña. Este enfoque garantiza que las imágenes recomendadas no sólo sean visualmente similares sino que también estén alineadas con los objetivos específicos de la campaña y el público objetivo. Mostramos una implementación simplificada de nuestra consulta de búsqueda, con el código completo disponible en nuestro repositorio de GitHub.
cuerpo = { "tamaño": k, "_source": {"exclude": ["incrustaciones"]}, "query": { "knn": { "incrustaciones": { "vector": incrustación, "k": k, } } }, "post_filter": { "bool": { "filtro": [ {"term": {"node": node}}, {"term": {"objective": objetivo}} ] } } } res = oss_client.search(índice=OSS_EMBEDDINGS_INDEX_NAME, cuerpo=cuerpo)
La función procesa los resultados de la búsqueda, que se almacenan en Amazon DynamoDB para mantener un registro persistente de las asociaciones de imágenes y campañas para una recuperación eficiente. Los usuarios pueden acceder a estas recomendaciones a través de la interfaz de usuario y seleccionar qué imágenes de referencia usar para la creación de su nueva campaña.
Mejora de la técnica de metaincitaciones con imágenes de referencia
La fase de generación de indicaciones se basa en nuestra técnica de metaincitaciones presentada en nuestro blog anterior. Si bien mantenemos el mismo enfoque con Amazon Nova Pro 1.0, ahora mejoramos el proceso incorporando descripciones de imágenes de referencia seleccionadas por el usuario. Estas descripciones se integran en el mensaje de la plantilla mediante etiquetas XML (), como se muestra en el siguiente ejemplo.
La generación de mensajes está orquestada por la función Lambda GeneratePromptFunction. La función recibe el ID de la campaña y las URL de las imágenes de referencia seleccionadas, recupera sus descripciones de DynamoDB y utiliza Amazon Nova Pro 1.0 para crear un mensaje optimizado a partir de la plantilla anterior. Este mensaje se utiliza en la fase posterior de generación de imágenes. La implementación del código de la función Lambda está disponible en nuestro repositorio de GitHub.
Generación de imágenes
Después de obtener imágenes de referencia y generar un mensaje mejorado, utilizamos la función Lambda GenerateNewImagesFunction para crear la nueva imagen de la campaña. Esta función utiliza Amazon Nova Canvas 1.0 para generar un activo visual final que incorpora información de campañas de referencia exitosas. La implementación sigue el proceso de generación de imágenes que detallamos en nuestro blog anterior. Para obtener el código completo de la función Lambda, consulte nuestro repositorio de GitHub.
Creación de una nueva campaña de marketing: un ejemplo de principio a fin
Desarrollamos una interfaz intuitiva que guía a los usuarios a través del proceso de creación de campañas. La interfaz maneja la complejidad de la generación de imágenes impulsada por IA y solo requiere que los usuarios proporcionen la descripción de su campaña y detalles básicos. Repasamos los pasos para crear una campaña de marketing utilizando nuestra solución:
Los usuarios comienzan definiendo tres elementos clave de la campaña: Descripción de la campaña: un resumen detallado que sirve como base para la generación de imágenes. Objetivo de la campaña: el objetivo de marketing (por ejemplo, concienciación) que guía la estrategia visual. Nodo de destino: el segmento de audiencia específico (por ejemplo, Clientes) para la orientación de contenido.
Según los detalles de la campaña, el sistema presenta imágenes relevantes de campañas exitosas anteriores. Los usuarios pueden revisar y seleccionar las imágenes que se alinean con su visión. Estas selecciones guiarán el proceso de generación de imágenes.
Utilizando la descripción de la campaña y las imágenes de referencia seleccionadas, el sistema genera un mensaje mejorado que sirve como entrada para el paso final de generación de imágenes.
En el paso final, nuestro sistema genera recursos visuales basados en el mensaje que potencialmente podrían usarse como inspiración para un resumen completo de la campaña.
Cómo Bancolombia está utilizando Amazon Nova para optimizar la generación de activos de sus campañas de marketing
Bancolombia, uno de los bancos líderes de Colombia, ha estado experimentando con este enfoque de creación de contenido de marketing durante más de un año. Su implementación proporciona información valiosa sobre cómo se puede integrar esta solución en los flujos de trabajo de marketing establecidos. Bancolombia ha podido optimizar su flujo de trabajo creativo y al mismo tiempo garantizar que las imágenes generadas se alineen con la intención estratégica de la campaña. Juan Pablo Duque, Marketing Scientist Lead de Bancolombia, comparte su perspectiva sobre el impacto de esta tecnología:
"Para el equipo de Bancolombia, aprovechar las imágenes históricas fue una piedra angular en la construcción de esta solución. Nuestro objetivo era abordar directamente tres puntos débiles importantes de la industria:
Procesos iterativos largos y costosos: al implementar técnicas de metaincitación y garantizar pautas estrictas de marca, hemos reducido significativamente el tiempo que los usuarios dedican a generar imágenes de alta calidad. Dificultad para mantener el contexto en las variaciones creativas: al identificar y bloquear elementos visuales clave, garantizamos una coherencia perfecta en todos los activos gráficos. Falta de control sobre los resultados: el conjunto de estrategias integradas en nuestra solución proporciona a los usuarios una precisión y control mucho mayores sobre los resultados.
Y esto es sólo el comienzo. Este ejercicio nos permite validar nuevas creaciones de IA con nuestra biblioteca actual, asegurando que no dependamos demasiado de las mismas imágenes y manteniendo la apariencia fresca y atractiva de nuestra marca”.
Limpiar
Para evitar incurrir en cargos futuros, debe eliminar todos los recursos utilizados en esta solución. Debido a que la solución se implementó utilizando varias pilas de AWS CDK, debe eliminarlas en el orden inverso a la implementación para eliminar correctamente todos los recursos. Siga estos pasos para limpiar su entorno:
Eliminar la pila de frontend: Eliminar la pila de backend de generación de imágenes:
Elimine la pila de backend de indexación de imágenes:
Elimine la pila de roles de OpenSearch:
El comando cdk destroy eliminará la mayoría de los recursos automáticamente, pero puede haber algunos recursos que requieran una eliminación manual, como los depósitos S3 con contenido y las colecciones de OpenSearch. Asegúrese de consultar la Consola de administración de AWS para verificar que todos los recursos se hayan eliminado correctamente. Para obtener más información sobre el comando cdk destroy, consulte la referencia de la línea de comandos de AWS CDK.
Conclusión
Esta publicación presentó una solución que mejora la creación de contenido de marketing combinando IA generativa con información de campañas históricas. Utilizando Amazon OpenSearch Serverless y Amazon Bedrock, creamos un sistema que busca y utiliza de manera eficiente imágenes de referencia de campañas de marketing anteriores. El sistema filtra estas imágenes según los objetivos de la campaña y el público objetivo, lo que ayuda a garantizar la alineación estratégica. Estas referencias luego se incorporan a nuestro rápido proceso de ingeniería. Con Amazon Nova Pro, generamos un mensaje que combina los requisitos de la nueva campaña con información de campañas anteriores exitosas, brindando coherencia de marca en la generación de la imagen final.
Esta implementación representa un paso inicial en el uso de IA generativa para marketing. La solución completa, que incluye implementaciones detalladas de las funciones de Lambda y archivos de configuración, está disponible en nuestro repositorio de GitHub para adaptarla a las necesidades organizativas específicas.
Para obtener más información, consulte los siguientes recursos relacionados:
Sobre los autores
María Fernanda Cortés es Data Scientist Senior en el equipo de Servicios Profesionales de AWS. Se centra en diseñar y desarrollar soluciones de IA/ML de extremo a extremo para abordar los desafíos comerciales de los clientes a nivel mundial. Le apasiona compartir conocimientos científicos y ser voluntaria en comunidades técnicas.
David Laredo es científico aplicado senior en Amazon, donde ayuda a innovar en nombre de los clientes mediante la aplicación de técnicas de última generación en ML. Con más de 10 años de experiencia en IA/ML, David es un líder técnico regional para LATAM que produce constantemente contenido en forma de publicaciones de blog, ejemplos de código y sesiones de oratoria. Actualmente lidera la comunidad de expertos en AI/ML en LATAM.
Adriana Dorado es Ingeniera en Computación y miembro de Machine Learning Technical Field Community (TFC) en AWS, donde ha estado durante 5 años. Se centra en ayudar a las pequeñas y medianas empresas y a los clientes de servicios financieros a diseñar en la nube y aprovechar los servicios de AWS para obtener valor empresarial. Fuera del trabajo, le apasiona servir como vicepresidenta del capítulo Colombia de la Sociedad de Mujeres Ingenieras (SWE), leer novelas de ciencia ficción y fantasía y ser la orgullosa tía de una hermosa sobrina.
Yunuen Piña es Arquitecto de Soluciones en AWS y se especializa en ayudar a pequeñas y medianas empresas en todo México a transformar sus ideas en soluciones innovadoras en la nube que impulsen el crecimiento empresarial.
Juan Pablo Duque es Líder de Ciencias de Marketing en Bancolombia, donde fusiona ciencia y marketing para impulsar la eficiencia y la eficacia. Transforma análisis complejos en narrativas convincentes. Apasionado por GenAI en MarTech, escribe publicaciones informativas en blogs. Dirige científicos de datos dedicados a remodelar el panorama del marketing y definir nuevas formas de medir.