AWS توضح كيفية بناء غرفة تجربة افتراضية للبيع بالتجزئة على Nova Canvas

نشرت AWS تحليلاً مفصلاً لكيفية بناء بائعي التجزئة لغرفة تجربة مدعومة بالذكاء الاصطناعي والبحث عن الملابس المخصص على خدماتها السحابية. في قلب الحل لا يوجد منتج جديد مستقل، بل هندسة مرجعية جاهزة يمكن نشرها كتطبيق بدون خادم وتكييفها لمتجر عبر الإنترنت.

كيف تعمل الحل

تم بناء الهندسة حول Amazon Nova Canvas و Rekognition و Titan Multimodal Embeddings و OpenSearch Serverless. يتعامل Nova Canvas مع التجربة الواقعية: يقوم المستخدم بتحميل صورة، والنظام يأخذ صورة المنتج ويستخدم وضع virtual try-on لإنشاء الصورة النهائية. يحلل Rekognition نوع الملابس والمناطق الجسدية والميزات الأخرى للتأكد من أن القناع يناسب بشكل صحيح والنتيجة تبدو معقولة.

تنقسم جميع المنطق على عدة وظائف AWS Lambda: الواجهة الأمامية ومعالجة التجربة وتوليد التوصيات وتحميل مجموعة البيانات والبحث الذكي. يتم استخدام S3 و DynamoDB للتخزين، وينتج الفهرس المتجه في OpenSearch Serverless. تؤكد AWS أن الهندسة معيارية: يمكنك استخدام غرفة التجربة الافتراضية فقط أو التوصيات فقط أو تجميع الحلقة الكاملة.

يتم وصف النشر تقريباً كوصفة جاهزة لفريق التطوير: استنساخ المستودع وتثبيت التبعيات وبناء المكدس عبر SAM ثم تنفيذ النشر الموجه. بعد ذلك، يبقى تحميل مجموعة بيانات صغيرة تضم 60+ منتج وتشغيل الفهرسة بشكل منفصل لتفعيل البحث والتوصيات.

ما تحصل عليه المتجر

بالنسبة للمستخدم، يبدو هذا كتدفق تسوق قياسي، لكن مع طبقة إضافية من الذكاء الاصطناعي. بعد تحميل صورة، يمكنك إما تجربة عنصرك الخاص أو تحديد منتج من مجموعة معدة. في عرض AWS، تستخدم مجموعة بيانات من 60+ عنصر أزياء، ومعالجة النتيجة عادة ما تستغرق حوالي 15 ثانية. وبصرف النظر عن التجربة نفسها، يدفع الخدمة فوراً نحو الإجراء التالي: حفظ النتيجة أو تنزيلها أو طلب منتجات مشابهة.

• تجربة افتراضية على صورة العميل
• توصيات لمنتجات مشابهة بناءً على التشابه البصري
• بحث باللغة الطبيعية مثل «فساتين زرقاء بأقل من 100 دولار»
• التصفية حسب اللون والسعر والفئة والجنس
• جمع التحليلات على الجلسات والمنتجات الشهيرة وإجراءات المستخدم

يتم بناء طبقة التوصية على Titan Multimodal Embeddings: يتم تحويل الصور والنصوص إلى متجهات بحجم 1024، وبعد ذلك يبحث OpenSearch عن المطابقات الأقرب في الوقت الفعلي تقريباً. البحث أيضاً لا يقتصر على الكلمات الرئيسية: تصرح AWS بأن الوكيل يميز ثلاثة سيناريوهات مستخدم على الأقل—اختيار الملابس والبحث على أساس الميزانية واستكشاف الأنماط. بالإضافة إلى ذلك، يجمع DynamoDB تحليلات حول التجارب والمستخدمين الفريدين والفئات الشهيرة والنشاط اليومي، مما يجعل الحل مفيداً ليس فقط للواجهة الأمامية ولكن أيضاً للتجارة.

المخاطر والاقتصاد

الحل له تحذيرات مهمة. تحذر AWS مباشرة بأن النشر الأساسي لا يتضمن المصادقة على API Gateway، لذلك لا يمكن نشر مثل هذا النموذج في الإنتاج بدون تعديلات. بشكل منفصل، توصي بفحص جميع صور المستخدم: التحقق من الصيغة والحجم والدقة، وتشغيلها من خلال الاعتدال قبل الإرسال إلى S3 وخط أنابيب الإنشاء. وإلا، تواجه المتجر خطر تكبد ليس فقط تكاليف غير ضرورية بل أيضاً مشاكل الأمان والمحتوى.

النشر الأساسي لا يتضمن المصادقة على نقاط نهاية API Gateway.

تحتاج إلى منطقة واحدة حيث يتوفر Nova Canvas و Titan Multimodal Embeddings و Rekognition و OpenSearch Serverless في نفس الوقت؛ تنصح المقالة بـ us-east-1. يتم بناء التطبيق نفسه من خلال AWS SAM ونشره بأمر واحد، والكود منشور في مستودع AWS على GitHub. في تقدير شهري تقريبي لحمل مستوى الورشة، يكون المكون الأكثر تكلفة هو Nova Canvas—حوالي 60 دولار لـ 1500 صورة محاولة.

يضيف باقي البنية الأساسية، بما فيها OpenSearch و NAT Gateway و KMS و S3 و DynamoDB، مبلغاً صغيراً نسبياً. توفر AWS أيضاً مرجعية حمل: 50 محاولة افتراضية و 100 استعلام بحث و 75 توصية يومياً على مدار شهر من التشغيل. بالنسبة للتجربة التجريبية، هذا كافٍ لفهم اقتصاد السيناريو قبل الإطلاق الكامل.

لكن إذا كانت المتجر تخطط لنشر هذه الميزة على حركة مرور ضخمة، فسيتعين عليها التخطيط بشكل منفصل للتخزين المؤقت وحدود استدعاءات النموذج والمراقبة عبر CloudWatch ومنع الإساءة لضمان عدم تدهور الاقتصاد الوحدوي النهائي.

ما يعنيه هذا

تراهن AWS على سيناريوهات البيع بالتجزئة المطبقة حيث يؤثر AI التوليدي ليس على عامل الذهول بل على المرتجعات والتحويل وقيمة الطلب المتوسطة. بالنسبة للمتاجر، هذا مفيد كنموذج تقني جاهز للاستخدام: يمكنك اختبار بسرعة ما إذا كانت التجربة الافتراضية تقلل من تردد الشراء، وما إذا كان البحث باللغة الطبيعية يدفع نمو المبيعات، وما إذا كان السيناريو يستحق التوسع أكثر.