Los minoristas en línea enfrentan un desafío persistente: los compradores luchan por determinar el ajuste y el aspecto cuando realizan pedidos en línea, lo que genera mayores devoluciones y una menor confianza en la compra. ¿El costo? Pérdida de ingresos, gastos operativos y frustración del cliente. Mientras tanto, los consumidores esperan cada vez más experiencias de compra inmersivas e interactivas que cierren la brecha entre el comercio minorista en línea y en las tiendas. Los minoristas que implementan tecnología de prueba virtual pueden mejorar la confianza en la compra y reducir las tasas de devolución, lo que se traduce directamente en una mayor rentabilidad y satisfacción del cliente. Esta publicación demuestra cómo crear una solución virtual de prueba y recomendación en AWS utilizando Amazon Nova Canvas, Amazon Rekognition y Amazon OpenSearch Serverless. Si es un socio de AWS que desarrolla soluciones minoristas o un minorista que explora la transformación de la IA generativa, aprenderá la arquitectura, el enfoque de implementación y las consideraciones clave para implementar esta solución.
Puede encontrar el código base para implementar la solución en su cuenta de AWS en el repositorio de GitHub.
Descripción general de la solución
Esta solución demuestra cómo crear una solución minorista sin servidor impulsada por IA. El servicio ofrece cuatro capacidades integradas:
Prueba virtual: genera visualizaciones realistas de los clientes que usan o usan productos a través de Amazon Nova Canvas y Amazon Rekognition. Recomendaciones inteligentes: proporciona sugerencias de productos visualmente conscientes utilizando Amazon Titan Multimodal Embeddings para comprender las relaciones de estilo y la similitud visual. Búsqueda inteligente: permite el descubrimiento de productos en lenguaje natural con inteligencia orientada a objetivos que comprende la intención del cliente. Utiliza OpenSearch Serverless para comparar similitudes de vectores. Análisis e información: realiza un seguimiento de las interacciones, preferencias y tendencias de los clientes mediante Amazon DynamoDB para optimizar las decisiones de inventario y comercialización.
La arquitectura utiliza servicios de AWS sin servidor para lograr escalabilidad y utiliza un diseño modular, lo que le permite implementar capacidades individuales o la solución completa.
Componentes de arquitectura prediseñados
La solución se ejecuta en una infraestructura sin servidor de AWS con cinco funciones especializadas de AWS Lambda, cada una optimizada para tareas específicas: interfaz web (interfaz de chatbot), procesamiento de pruebas virtuales, generación de recomendaciones, ingesta de conjuntos de datos y búsqueda inteligente. La arquitectura utiliza depósitos S3 para almacenamiento seguro, Amazon OpenSearch Serverless para búsqueda de similitudes vectoriales y DynamoDB para seguimiento de análisis en tiempo real.
Escalabilidad e implementación
Creada con el modelo de aplicación sin servidor de AWS (AWS SAM), toda la solución se implementa con un solo comando y se escala automáticamente según la demanda. Los límites de simultaneidad reservados ayudan a prevenir la contención de recursos, mientras que el almacenamiento en caché de Amazon API Gateway y las URL prefirmadas optimizan el rendimiento. El enfoque de microservicios permite el escalado y las actualizaciones independientes de cada componente.
Flexibilidad de integración para socios y clientes
El diseño modular permite la implementación de capacidades individuales o la solución completa. La documentación, las imágenes de prueba de muestra y los scripts de utilidades para la gestión de conjuntos de datos facilitan a los desarrolladores personalizar y ampliar la solución para necesidades minoristas específicas.
Requisitos previos
Antes de comenzar el proceso de implementación, verifique que tenga configurados los siguientes requisitos previos:
Configuración de la cuenta de AWS
Una cuenta de AWS activa con privilegios administrativos Interfaz de línea de comandos de AWS (AWS CLI) instalada y configurada con las credenciales adecuadas. Esta solución requiere Amazon Nova Canvas, Amazon Titan Multimodal Embeddings, Amazon Rekognition y Amazon OpenSearch Serverless en la misma región. Implementar en el este de EE. UU. (Norte de Virginia): us-east-1 (recomendado).
La disponibilidad regional de los modelos de Amazon Bedrock cambia con el tiempo. Antes de implementar en una región que no sea us-east-1, confirme que todos los modelos requeridos sean compatibles consultando la página Compatibilidad de modelos de Amazon Bedrock por región y la Lista de servicios regionales de AWS.
Acceso al modelo Amazon Bedrock
Los modelos básicos de Amazon Bedrock ahora se habilitan automáticamente cuando se invocan por primera vez en su cuenta en todas las regiones comerciales de AWS. Los modelos necesarios para esta solución (Amazon Nova Canvas y Amazon Titan Embeddings) se activarán automáticamente cuando la aplicación los llame por primera vez; no se requiere habilitación manual.
Nota: Para los usuarios nuevos de Amazon Bedrock, la invocación del modelo inicial puede tardar unos segundos más a medida que el servicio proporciona el acceso.
Permisos de servicio de AWS
La función de IAM que utilice para implementar la plantilla SAM debe tener estos permisos:
Creación y administración de funciones Lambda Creación de depósitos S3 y administración de objetos Amazon OpenSearch Creación de colecciones sin servidor Creación de tablas DynamoDB y acceso a datos Invocación del modelo Amazon Bedrock (Nova Canvas y Titan) Acceso al servicio Amazon Rekognition Administración de pilas de AWS CloudFormation Creación y configuración de API Gateway
Entorno de desarrollo
AWS SAM CLI versión 1.50.0 o superior instaló Python 3.9 o superior con administrador de paquetes pip Git para clonación de repositorios y control de versiones Un editor de texto o IDE para editar archivos de configuración
Implementación de la plantilla SAM
El proceso de implementación utiliza AWS SAM para definir e implementar todos los componentes de la infraestructura. Siga estos pasos para crear e implementar la aplicación.
Paso 1: configuración del repositorio
Comience clonando el repositorio y navegando al directorio del proyecto:
clon de git https://github.com/aws-samples/sample-genai-virtual-tryon.git cd VirtualTryOne-GenAI
Examine la estructura del proyecto para comprender la organización base del código:
template.yaml: plantilla SAM que define todos los requisitos de recursos de AWS.txt: dependencias de Python para funciones Lambda Archivos fuente de funciones Lambda (*.py) Conjunto de datos de moda e imágenes de muestra
Paso 2: instalación de dependencia
instalación de pip -r requisitos.txt
Esto instala los paquetes necesarios para el procesamiento de imágenes, las interacciones del SDK de AWS, la conectividad OpenSearch y otras funcionalidades principales.
Paso 3: proceso de construcción de SAM
Cree la aplicación SAM, que empaqueta funciones Lambda y prepara artefactos de implementación:
sam construir
El proceso de construcción:
Crea paquetes de implementación para cada función Lambda Resuelve dependencias y crea paquetes de capas Valida la sintaxis de la plantilla SAM Prepara plantillas de CloudFormation para la implementación
Paso 4: implementación guiada
Para la implementación por primera vez, utilice la opción de implementación guiada:
implementación de sam –guiada
La implementación guiada le solicitará lo siguiente:
Nombre de la pila (elija un nombre único) Región de AWS para la implementación Valores de parámetros para la personalización Confirmación para la creación de recursos Permisos de creación de roles de IAM
Este proceso crea un archivo samconfig.toml que almacena sus preferencias de implementación para futuras implementaciones.
Paso 5: implementaciones posteriores
Después de la configuración inicial, utilice el comando de implementación simplificado:
despliegue de sam
Esto utiliza la configuración guardada de samconfig.toml para implementaciones consistentes.
ADVERTENCIA DE SEGURIDAD: La implementación base no tiene autenticación en los puntos finales de API Gateway. No recomendamos implementar esto en producción sin implementar la autenticación (por ejemplo, autorizadores de Amazon Cognito o API Gateway).
Además, implemente la validación de imágenes y la moderación de contenido para todas las imágenes cargadas por el usuario antes de procesarlas. Utilice la moderación de contenido de Amazon Rekognition para detectar contenido inapropiado o inseguro y validar el tipo, tamaño y dimensiones de archivo en API Gateway o capa Lambda. Rechace las imágenes que no superen las comprobaciones de moderación antes de que lleguen al almacenamiento S3 o al canal Nova Canvas. Esto ayuda a evitar que se procesen, almacenen o devuelvan archivos maliciosos y contenido inapropiado a otros usuarios.
Paso 6: encontrar el nombre de su pila y el ID de función
Después de ejecutar sam implementar, debe encontrar los valores correctos para YourStackName e ID para invocar funciones Lambda.
Método 1: comprobar el resultado de la implementación de SAM
La forma más rápida es mirar el resultado de su comando sam desplegar. La salida DataIngestionFunctionName muestra el nombre completo de la función:
Nombre de la función de ingestión de datos: my-fashion-stack-función de ingestión de datos-abc123xyz
Método 2: verificar los resultados de CloudFormation
Recupere el nombre de la función de CloudFormation:
# Reemplace 'my-fashion-stack' con el nombre de su pila
aws cloudformation describe-stacks –stack-name mi-moda-stack –query 'Stacks[0].Outputs[?OutputKey==`DataIngestionFunctionName`].OutputValue' –texto de salida;
Método 3: comprobar samconfig.toml
El nombre de su pila se guarda en samconfig.toml después de ejecutar
sam implementar –guided cat samconfig.toml | grep nombre_pila
# Salida: stack_name = "mi-pila-de-moda
Método 4: consulte la consola de administración de AWS
Vaya a AWS CloudFormation en la Consola de administración de AWS. Seleccione su pila (por ejemplo, mi-pila-de-moda). Haga clic en la pestaña Salidas. Busque el nombre de la función de ingestión de datos. Este es el nombre completo de la función a utilizar.
Paso 7: configuración del conjunto de datos de moda
Cargue el conjunto de datos de moda para habilitar las funciones de búsqueda y recomendación: python mini_dataset_uploader.py
Este script carga más de 60 artículos de moda con metadatos en el depósito S3 designado.
Paso 8: creación del índice vectorial
Cree el índice de vectores de búsqueda invocando la función de ingesta de datos:
aws lambda invocar –nombre-función -DataIngestionFunction- –payload '{}' respuesta.json
Reemplace y con valores de la salida de su implementación SAM. Este proceso:
Procesa las imágenes de moda utilizando incrustaciones de Titan. Crea representaciones vectoriales para búsquedas de similitud. Indexa datos en Amazon OpenSearch Serverless. Permite la recomendación y la funcionalidad de búsqueda.
Guía de uso de la aplicación
Después de implementar la aplicación, su aplicación de prueba virtual proporciona varias funciones para los usuarios finales.
Accediendo a la aplicación
Recupere la URL de su aplicación desde la salida de implementación de SAM: WebAppUrl: https://{api-id}.execute-api.{region}.amazonaws.com/dev/
Funcionalidades principales impulsadas por IA
Proceso de prueba virtual
La función de prueba virtual representa la funcionalidad principal de nuestra aplicación, ya que utiliza Amazon Nova Canvas para crear imágenes fotorrealistas de usuarios que usan prendas seleccionadas. El proceso comienza cuando los usuarios cargan su foto a través de una interfaz de arrastrar y soltar que admite formatos de imagen comunes, incluidos JPEG, PNG y JPG, con un tamaño de archivo máximo de 6 MB. La solución utiliza Amazon Nova Canvas, un modelo de generación de contenido multimodal, integrado con Amazon Rekognition para generar visualizaciones de productos fotorrealistas. El proceso de prueba virtual utiliza una estructura de carga útil con taskType: “VIRTUAL_TRY_ON” que combina una imagen de origen (foto del cliente) y una imagen de referencia (prenda de vestir) con enmascaramiento inteligente. El sistema emplea el tipo de máscara: “PRENDENCIA” con enmascaramiento basado en prendas que identifica y reemplaza automáticamente las regiones de prendas según las clases de prendas detectadas. El sistema valida y preprocesa automáticamente las imágenes cargadas, logrando resultados óptimos utilizando fotografías frontales bien iluminadas que muestran claramente el cuerpo del usuario. Para implementaciones de producción, valide y modere todas las imágenes cargadas por los usuarios antes de procesarlas para ayudar a evitar que se almacene y procese contenido malicioso o inapropiado. Consulte la sección Advertencia de seguridad a continuación para obtener orientación sobre la implementación. Una vez procesada la foto del usuario, la selección de ropa se realiza mediante dos métodos principales:
Cargue imágenes de ropa personal para experiencias de prueba personalizadas. Explore y busque en el conjunto de datos de moda seleccionados que contiene más de 60 artículos fotografiados profesionalmente.
La fase de procesamiento de la IA implica visión por computadora y tecnologías de IA generativa. Amazon Rekognition primero analiza tanto la foto del usuario como la prenda de vestir para detectar tipos de prendas, regiones del cuerpo y género del usuario para una comparación personalizada. Luego, Nova Canvas genera imágenes de prueba fotorrealistas que aplican de manera realista la ropa seleccionada a la foto del usuario, y el procesamiento generalmente se completa en 15 segundos. Luego, los usuarios pueden interactuar con los resultados de prueba generados a través de varias opciones:
Descargue imágenes de alta calidad para uso personal Solicite recomendaciones de artículos similares basadas en la pieza probada Guarde favoritos para referencia futura
Recomendaciones personalizadas
El motor de recomendación representa uno de los aspectos más avanzados de nuestra aplicación, ya que utiliza incorporaciones de IA multimodal para comprender las preferencias de moda tanto visuales como textuales. El motor de recomendación utiliza Amazon Titan Multimodal Embeddings para convertir imágenes y texto de ropa en representaciones vectoriales de 1024 dimensiones. Estas incorporaciones se indexan en Amazon OpenSearch Serverless con búsqueda de k vecinos más cercanos (kNN) para coincidencias de similitud en menos de un segundo. El sistema analiza el comportamiento del usuario, las características de las fotografías y los patrones de interacción para generar sugerencias de ropa personalizadas que se alineen con las preferencias de estilo individuales y las necesidades prácticas. Los factores clave que influyen en las recomendaciones incluyen:
Análisis de similitud visual utilizando incrustaciones multimodales de Amazon Titan para encontrar artículos con colores, patrones y estilos similares Género del usuario detectado y preferencias de estilo inferidas en función del análisis de fotografías y el historial de búsqueda Coincidencia de categorías que ayuda a garantizar que las recomendaciones se alineen con los tipos de ropa preferidos del usuario (parte superior del cuerpo, parte inferior del cuerpo, cuerpo completo, calzado)
Búsqueda de moda inteligente
Nuestro sistema de búsqueda inteligente va más allá de la concordancia tradicional de palabras clave al comprender las consultas en lenguaje natural y la intención del usuario. El agente de búsqueda de moda clasifica automáticamente las búsquedas de los usuarios en tres intenciones principales: planificación de vestimenta (encontrar piezas que combinen), búsqueda de precios (compras conscientes del presupuesto) y descubrimiento de estilo (explorar nuevas tendencias de moda). Los usuarios pueden buscar usando frases conversacionales como:
"Muéstrame vestidos azules de menos de $100" para resultados filtrados por precio "Muéstrame camiseta casual" para preferencias de color y estilo "Jeans asequibles para mujeres" para búsquedas específicas de género y presupuesto
El motor de búsqueda incorpora varias funciones avanzadas para mejorar la experiencia de búsqueda:
Corrección automática de errores tipográficos para errores ortográficos comunes Clasificación de resultados orientada a objetivos que prioriza los artículos según la intención detectada del usuario Filtrado de criterios múltiples que respaldan las preferencias de color, rango de precios, categoría y género Coincidencia aproximada que maneja variaciones de tipos de ropa y sinónimos
Análisis y seguimiento
Construido sobre DynamoDB, el sistema captura patrones de comportamiento del usuario, análisis de elementos populares y métricas de participación. El motor de análisis proporciona información con perspectiva de género, desgloses por categorías de ropa y patrones de uso, lo que permite a los minoristas optimizar las decisiones de inventario en tiempo real. Puede monitorear el uso de la aplicación con el panel de análisis integrado:
Python Quick_analytics.py
Información analítica:
Total de sesiones de prueba y usuarios únicos Categorías y artículos de ropa más populares Carga versus patrones de uso del conjunto de datos Tendencias de actividad diaria Métricas de participación del usuario
Pruebas con imágenes de muestra
El repositorio incluye imágenes de muestra en la carpeta sample-images/:
Fotografías de personas: ejemplos bien iluminados para resultados óptimos de prueba. Prendas de vestir: fotografías de productos limpios para recomendaciones de prueba.
Utilice estos ejemplos para comprender los requisitos de calidad de imagen y probar la funcionalidad sin fotografías personales.
Ejemplos de supuestos de carga de trabajo
Las siguientes estimaciones se basan en un escenario típico de taller:
– Conjunto de datos: 60 artículos de moda indexados
– Uso diario: 50 pruebas virtuales, 100 búsquedas, 75 recomendaciones
– Almacenamiento: ~500 MB de imágenes, ~100 MB de resultados procesados
– Duración: Funcionando durante un mes.
Desglose de costos
Servicios de inteligencia artificial y aprendizaje automático
Amazon Bedrock – Nova Canvas: $60,00/mes 1500 imágenes de prueba virtuales a $0,04 por imagen
Este es el mayor generador de costos.
Amazon Bedrock – Titan Embeddings: $0,50 – $1,00/mes 60 artículos indexados + ~100 consultas de búsqueda/día
Servicios de infraestructura
OpenSearch sin servidor: $7,00 – $12,00/mes Mínimo 2 unidades de cómputo OpenSearch (OCU) para operaciones de indexación y búsqueda NAT Gateway: $3,50 – $5,00/mes ~5 GB de datos procesados para acceso a Internet Lambda Cifrado de AWS Key Management Service (AWS KMS): $3,00/mes 3 claves con rotación automática habilitada
Computación y almacenamiento
Lambda: nivel gratuito ~50 000 invocaciones cubiertas por el nivel gratuito S3 Almacenamiento: $0,02 – $0,05/mes ~600 MB para imágenes y resultados procesados DynamoDB: $0,50 – $1,00/mes 5000 operaciones de lectura/escritura para análisis
Redes y monitoreo
API Gateway + Amazon CloudWatch + SQS: $1,00 – $1,50/mes: cubre solicitudes de API, registros y colas de mensajes no entregados
Nota: Las siguientes estimaciones de costos se basan en los precios de AWS al momento de la publicación y se proporcionan únicamente con fines informativos. Los costos reales pueden variar. Para conocer los precios más actualizados, consulte la página de precios de AWS. Los costos varían según la región y el uso real. Utilice la Calculadora de precios de AWS para obtener estimaciones detalladas basadas en sus requisitos específicos.
Monitoreo y resolución de problemas
Registros de Amazon CloudWatch
Supervise el rendimiento de las aplicaciones a través de grupos de registros de CloudWatch:
/aws/lambda/{nombre-pila}-WebFrontendFunction-{id} /aws/lambda/{nombre-pila}-VirtualTryOnFunction-{id} /aws/lambda/{nombre-pila}-RecommendFunction-{id} /aws/lambda/{nombre-pila}-DataIngestionFunction-{id} /aws/lambda/{nombre-pila}-TextSearchFunction-{id}
Problemas comunes y soluciones
Errores de acceso al modelo de Amazon Bedrock:
Verifique que el acceso al modelo esté habilitado en la consola de Amazon Bedrock. Verifique los permisos de IAM para el servicio de Amazon Bedrock. Verifique las ID de modelo correctas en el código de función.
Problemas de conexión con OpenSearch:
Verificar que la colección de Amazon OpenSearch Serverless esté activa Verificar las políticas de red y los permisos de acceso Validar la creación de índices y la ingesta de datos
Fallos en el procesamiento de imágenes:
Verifique que las imágenes cumplan con los requisitos de tamaño y formato. Verifique los permisos del depósito S3 y la configuración de uso compartido de recursos entre orígenes (CORS). Verifique los límites y cuotas del servicio Amazon Rekognition.
Optimización del rendimiento:
Monitorear la duración de la función Lambda y el uso de memoria Implementar el almacenamiento en caché para los datos a los que se accede con frecuencia Considere la concurrencia aprovisionada para escenarios de alto tráfico
Limpiar recursos
Para evitar cargos continuos de AWS, limpie adecuadamente todos los recursos implementados cuando la aplicación ya no sea necesaria:
Paso 1: eliminar la pila de CloudFormation
Elimine todos los recursos de AWS creados por SAM:
Este comando:
Elimina las funciones de Lambda y los recursos asociados Elimina los puntos finales de API Gateway Elimina las tablas de DynamoDB (se perderán los datos) Elimina las políticas y roles de IAM creados por la plantilla
Paso 2: limpieza manual de recursos
Algunos recursos pueden requerir eliminación manual: Depósitos de S3:# Vaciar y eliminar depósitos de S3
aws s3 rm s3:// –recursivo aws s3 rm s3:// –recursivo aws s3 rm s3:// –recursivo aws s3 rb s3:// aws s3 rb s3:// aws s3 rb s3://
Colección sin servidor de Amazon OpenSearch:
# Eliminar la colección OpenSearch
aws opensearchserverless eliminación-colección –id
Paso 3: verificar la limpieza
Confirme que se eliminen todos los recursos:
Verifique la consola de CloudFormation para ver si se ha completado la eliminación de la pila. Verifique que los depósitos de S3 se hayan eliminado. Confirme que las colecciones de OpenSearch se hayan eliminado. Revise el panel de facturación para conocer los cargos restantes.
Paso 4: Limpiar el entorno local
Eliminar artefactos de implementación local: # Eliminar artefactos de compilación SAM
rm -rf .aws-sam/ rm samconfig.toml rm respuesta.json
Consejos para optimizar costos
Para ayudar a minimizar los costos al ejecutar la aplicación:
Utilice la configuración de memoria Lambda adecuada basada en patrones de uso reales. Implemente el almacenamiento en caché de solicitudes para reducir las invocaciones redundantes de modelos de IA. Configure alarmas de CloudWatch para monitoreo de costos y alertas de uso. Use políticas de ciclo de vida de S3 para archivar automáticamente imágenes antiguas. Supervise el uso de Amazon Bedrock e implemente limitación de solicitudes si es necesario. Considere la capacidad reservada para escenarios predecibles de alto tráfico.
Conclusión
En esta publicación, le mostramos cómo crear una aplicación de prueba virtual impulsada por IA lista para producción utilizando tecnologías sin servidor de AWS. La solución demuestra cómo los servicios de inteligencia artificial como Amazon Bedrock se pueden integrar con los servicios tradicionales en la nube para crear experiencias para los clientes. La aplicación muestra varios conceptos:
Arquitectura de microservicios sin servidor Integración de IA y aprendizaje automático (ML) con lógica empresarial Búsqueda de similitud de vectores para recomendaciones Procesamiento de lenguaje natural para búsqueda Análisis y monitoreo en tiempo real
Al seguir esta guía, ha creado una solución escalable y rentable que puede manejar diferentes cargas de tráfico y, al mismo tiempo, proporciona capacidades de IA. La arquitectura modular permite una extensión y personalización sencillas basadas en requisitos comerciales específicos. Para implementaciones de producción, considere implementar funciones adicionales como autenticación de usuarios, estrategias de almacenamiento en caché, implementación en varias regiones y paneles de monitoreo. Si tiene comentarios sobre esta publicación, envíelos en la sección Comentarios.
Recursos adicionales
Sobre los autores
Harshita Tirumalapudi
Harshita es arquitecto de aceleración de IA en Amazon Web Services. Trabaja con socios de AWS para ayudar a acelerar la adopción de la IA mediante la automatización, arquitecturas de nube escalables y preparación para la implementación.
Bhavya Chugh
Bhavya es arquitecto de aceleración de IA en AWS. Impulsa la innovación en IA mediante la automatización de programas y flujos de trabajo de socios a gran escala para mejorar la productividad y trabaja con socios de AWS en su proceso de adopción de IA a través de la automatización estratégica, el diseño de arquitectura de nube a escala empresarial y la habilitación de implementación integral.
Kunmi Adubi
Kunmi es arquitecto de aceleración de IA en Amazon Web Services y se asocia con organizaciones para impulsar la automatización de la IA y soluciones escalables en la nube. Su objetivo es aumentar la actividad de los constructores y acelerar la transformación de la IA liderada por socios en todas las industrias. También le apasiona promover la innovación y la adopción responsable de la IA para permitir resultados impactantes en el mundo real.