AWS montre comment bâtir une cabine d'essayage virtuelle pour le retail avec Nova Canvas

AWS a publié une analyse détaillée de la façon dont un détaillant peut monter une cabine d'essayage dopée à l'IA et une recherche personnalisée de vêtements sur ses services cloud. Au centre, il n'y a pas un nouveau produit autonome, mais une architecture de référence prête à l'emploi, déployable comme application serverless et adaptable à une boutique en ligne.

Comment fonctionne la solution

Le schéma s'articule autour d'Amazon Nova Canvas, Rekognition, Titan Multimodal Embeddings et OpenSearch Serverless. Nova Canvas gère l'essayage photoréaliste : l'utilisateur envoie une photo, et le système prend l'image du vêtement et génère l'image finale grâce au mode virtual try-on. Rekognition analyse le type de vêtement, les zones du corps et d'autres caractéristiques afin que le masque soit placé correctement et que le résultat paraisse plausible.

La logique est répartie entre plusieurs fonctions AWS Lambda : frontend, traitement de l'essayage, génération de recommandations, chargement du jeu de données et recherche intelligente. S3 et DynamoDB servent au stockage, et l'index vectoriel est construit dans OpenSearch Serverless. AWS souligne que l'architecture est modulaire : on peut ne prendre que l'essayage virtuel, que les recommandations, ou assembler la chaîne complète.

Le déploiement est décrit presque comme une recette toute prête pour l'équipe de développement : il faut cloner le dépôt, installer les dépendances, construire la stack avec SAM, puis lancer un guided deployment. Il reste ensuite à charger un mini-jeu de données de plus de 60 produits et à lancer l'indexation séparément pour que la recherche et les recommandations fonctionnent.

Ce que gagne la boutique

Pour l'utilisateur, cela ressemble à un parcours d'achat classique, avec une couche d'IA en plus. Après l'envoi de la photo, il peut soit essayer un vêtement à lui, soit choisir un produit dans un ensemble préparé. Dans la démo, AWS utilise un jeu de données de plus de 60 articles de mode, et le traitement prend généralement environ 15 secondes. Au-delà de l'essayage lui-même, le service pousse aussitôt vers l'action suivante : enregistrer le résultat, le télécharger ou demander des produits similaires.

• Essayage virtuel sur la photo du client
• Recommandations de produits similaires par ressemblance visuelle
• Recherche en langage naturel, par exemple « robes bleues à moins de $100 »
• Filtrage par couleur, prix, catégorie et genre
• Collecte d'analyses sur les sessions, les produits populaires et les actions des utilisateurs

La couche de recommandation repose sur Titan Multimodal Embeddings : images et texte sont convertis en vecteurs de dimension 1024, puis OpenSearch cherche les correspondances les plus proches quasiment en temps réel. La recherche ne se limite pas non plus aux mots-clés : AWS écrit que l'agent distingue au moins trois scénarios d'usage : la composition de tenues, la recherche par budget et l'exploration de nouveaux styles. De plus, DynamoDB collecte des analyses sur les essayages, les utilisateurs uniques, les catégories populaires et l'activité quotidienne, ce qui rend la solution utile non seulement pour la vitrine, mais aussi pour le merchandising.

Risques et économie

La solution comporte des réserves importantes. AWS prévient expressément que le déploiement de base n'inclut pas d'authentification sur API Gateway, si bien que le modèle ne doit pas passer en production sans retouches. L'entreprise recommande aussi de vérifier toutes les images des utilisateurs : valider le format, la taille et la résolution, et les faire passer par la modération avant de les envoyer vers S3 et le pipeline de génération. Sinon, la boutique s'expose non seulement à des coûts superflus, mais aussi à des problèmes de sécurité et de contenu.

Le déploiement de base n'inclut pas d'authentification sur les points de terminaison d'API

Gateway.

Pour l'exécuter, il faut une seule région où Nova Canvas, Titan Multimodal Embeddings, Rekognition et OpenSearch Serverless sont tous disponibles en même temps ; l'article recommande us-east-1. L'application est construite avec AWS SAM et déployée en une seule commande, et le code est publié dans un dépôt GitHub d'AWS.

Dans l'estimation mensuelle donnée en exemple pour une charge de workshop, le composant le plus coûteux est Nova Canvas : environ $60 pour 1 500 images d'essayage. Le reste de l'infrastructure, dont OpenSearch, NAT Gateway, KMS, S3 et DynamoDB, ajoute une somme comparativement modeste. AWS donne aussi un repère de charge : 50 essayages virtuels, 100 requêtes de recherche et 75 recommandations par jour pendant un mois. Pour un pilote, cela suffit à cerner l'économie du scénario avant un lancement complet.

Mais si une boutique veut faire passer cette mécanique à un trafic de masse, elle devra prévoir séparément le cache, les plafonds d'appels aux modèles, la supervision via CloudWatch et la protection contre les abus, pour que l'économie unitaire ne dérape pas.

Ce que cela signifie

AWS parie sur des scénarios retail concrets, où l'IA générative joue non sur l'effet waouh, mais sur les retours, la conversion et le panier moyen. Pour les boutiques, c'est utile comme modèle technique prêt à l'emploi : elles peuvent vérifier rapidement si l'essayage virtuel réduit les hésitations avant l'achat, si la recherche en langage naturel fait grimper les ventes et s'il vaut la peine de déployer le scénario à plus grande échelle.