AWS muestra cómo montar un probador virtual para retail con Nova Canvas

AWS ha publicado un análisis detallado de cómo un comercio puede montar un probador con IA y una búsqueda personalizada de ropa sobre sus servicios en la nube. En el centro no hay un producto nuevo e independiente, sino una arquitectura de referencia lista que se puede desplegar como aplicación serverless y adaptar a una tienda online.

Cómo funciona la solución

El esquema gira en torno a Amazon Nova Canvas, Rekognition, Titan Multimodal Embeddings y OpenSearch Serverless. Nova Canvas se encarga de la prueba fotorrealista: el usuario sube una foto, y el sistema toma la imagen de la prenda y genera la imagen final con su modo de virtual try-on. Rekognition analiza el tipo de prenda, las zonas del cuerpo y otros rasgos para que la máscara se ajuste bien y el resultado resulte verosímil.

La lógica se reparte en varias funciones de AWS Lambda: frontend, procesamiento de la prueba, generación de recomendaciones, carga del conjunto de datos y búsqueda inteligente. S3 y DynamoDB se usan para el almacenamiento, y el índice vectorial se construye en OpenSearch Serverless. AWS subraya que la arquitectura es modular: se puede usar solo el probador virtual, solo las recomendaciones o montar el circuito completo.

El despliegue se describe casi como una receta para el equipo de desarrollo: hay que clonar el repositorio, instalar dependencias, construir el stack con SAM y ejecutar después un guided deployment. Luego falta cargar un minidataset con más de 60 productos y lanzar por separado la indexación para que funcionen la búsqueda y las recomendaciones.

Qué obtiene la tienda

Para el usuario, parece un flujo de compra normal con una capa adicional de IA. Tras subir la foto, puede probarse una prenda propia o elegir un producto de un conjunto preparado. En la demo, AWS usa un conjunto de más de 60 artículos de moda, y el procesamiento suele tardar unos 15 segundos. Además de la prueba en sí, el servicio empuja enseguida hacia la siguiente acción: guardar el resultado, descargarlo o pedir productos similares.

• Probador virtual sobre la foto del cliente
• Recomendaciones de productos similares por parecido visual
• Búsqueda en lenguaje natural como «vestidos azules por menos de $100»
• Filtrado por color, precio, categoría y género
• Recopilación de analítica sobre sesiones, productos populares y acciones de los usuarios

La capa de recomendación se apoya en Titan Multimodal Embeddings: imágenes y texto se convierten en vectores de dimensión 1024, y OpenSearch busca las coincidencias más cercanas casi en tiempo real. La búsqueda tampoco se limita a palabras clave: AWS indica que el agente distingue al menos tres escenarios de usuario: selección de looks, búsqueda por presupuesto y exploración de nuevos estilos. Además, DynamoDB recopila analítica sobre pruebas, usuarios únicos, categorías populares y actividad diaria, lo que hace útil la solución no solo para el escaparate, sino también para el merchandising.

Riesgos y economía

La solución tiene salvedades importantes. AWS advierte expresamente de que el despliegue básico no incluye autenticación en API Gateway, por lo que la plantilla no debe llevarse a producción sin ajustes. Además, recomienda revisar todas las imágenes de los usuarios: validar formato, tamaño y resolución, y pasarlas por moderación antes de enviarlas a S3 y al pipeline de generación. De lo contrario, la tienda se arriesga no solo a costes superfluos, sino también a problemas de seguridad y de contenido.

El despliegue básico no incluye autenticación en los endpoints de API

Gateway.

Para ejecutarlo hace falta una única región en la que estén disponibles a la vez Nova Canvas, Titan Multimodal Embeddings, Rekognition y OpenSearch Serverless; el artículo recomienda us-east-1. La aplicación se construye con AWS SAM y se despliega con un solo comando, y el código está publicado en un repositorio de AWS en GitHub.

En la estimación mensual de ejemplo para una carga de workshop, el componente más caro es Nova Canvas: unos $60 por 1 500 imágenes de prueba. El resto de la infraestructura, incluidos OpenSearch, NAT Gateway, KMS, S3 y DynamoDB, suma una cantidad comparativamente pequeña. AWS también da una referencia de carga: 50 pruebas virtuales, 100 consultas de búsqueda y 75 recomendaciones al día durante un mes. Para un piloto, basta para entender la economía del escenario antes de un lanzamiento completo.

Pero si una tienda quiere llevar esta mecánica a tráfico masivo, tendrá que planificar por separado el caché, los límites de llamadas a los modelos, la monitorización con CloudWatch y la protección frente a abusos, para que la economía unitaria no se descontrole.

Qué significa

AWS apuesta por escenarios prácticos de retail en los que la IA generativa influye no en el efecto sorpresa, sino en las devoluciones, la conversión y el ticket medio. Para las tiendas es útil como plantilla técnica lista: permite comprobar rápido si el probador virtual reduce las dudas antes de comprar, si la búsqueda en lenguaje natural aumenta las ventas y si merece la pena escalar el escenario.