AWS mostra como montar um provador virtual para o varejo com Nova Canvas

A AWS publicou uma análise detalhada de como um varejista pode montar um provador com IA e uma busca personalizada de roupas em seus serviços de nuvem. No centro não está um novo produto independente, mas uma arquitetura de referência pronta, que pode ser implantada como aplicação serverless e adaptada a uma loja online.

Como a solução funciona

O esquema gira em torno de Amazon Nova Canvas, Rekognition, Titan Multimodal Embeddings e OpenSearch Serverless. O Nova Canvas cuida da prova fotorrealista: o usuário envia uma foto, e o sistema pega a imagem da peça e gera a imagem final com o modo virtual try-on. O Rekognition analisa o tipo de roupa, as áreas do corpo e outras características para que a máscara seja aplicada corretamente e o resultado pareça plausível.

A lógica é dividida em várias funções do AWS Lambda: frontend, processamento da prova, geração de recomendações, carga do dataset e busca inteligente. S3 e DynamoDB são usados para armazenamento, e o índice vetorial é construído no OpenSearch Serverless. A AWS destaca que a arquitetura é modular: dá para usar só o provador virtual, só as recomendações ou montar o circuito completo.

A implantação é descrita quase como uma receita pronta para a equipe de desenvolvimento: é preciso clonar o repositório, instalar as dependências, montar o stack com o SAM e depois executar o guided deployment. Em seguida, falta carregar um minidataset com mais de 60 produtos e iniciar a indexação separadamente para que a busca e as recomendações funcionem.

O que a loja ganha

Para o usuário, parece um fluxo de compra comum, mas com uma camada extra de IA. Depois de enviar a foto, ele pode experimentar uma peça própria ou escolher um produto de um conjunto preparado. Na demo, a AWS usa um dataset de mais de 60 itens de moda, e o processamento costuma levar cerca de 15 segundos. Além da prova em si, o serviço já empurra o usuário para a próxima ação: salvar o resultado, baixá-lo ou pedir produtos semelhantes.

• Provador virtual na foto do cliente
• Recomendações de produtos semelhantes por similaridade visual
• Busca em linguagem natural, como "vestidos azuis até $100"
• Filtros por cor, preço, categoria e gênero
• Coleta de análises sobre sessões, produtos populares e ações dos usuários

A camada de recomendação é baseada no Titan Multimodal Embeddings: imagens e texto viram vetores de dimensão 1024, e o OpenSearch busca as correspondências mais próximas quase em tempo real. A busca também não se limita a palavras-chave: a AWS escreve que o agente distingue pelo menos três cenários de uso: montagem de looks, busca por orçamento e exploração de novos estilos. Além disso, o DynamoDB coleta análises sobre provas, usuários únicos, categorias populares e atividade diária, o que torna a solução útil não só para a vitrine, mas também para o merchandising.

Riscos e economia

A solução tem ressalvas importantes. A AWS alerta expressamente que a implantação básica não inclui autenticação no API Gateway, por isso o modelo não deve ir para produção sem ajustes. Também recomenda verificar todas as imagens dos usuários: validar formato, tamanho e resolução e passá-las por moderação antes de enviá-las ao S3 e ao pipeline de geração. Caso contrário, a loja corre o risco de ter não só custos extras, mas também problemas de segurança e de conteúdo.

A implantação básica não inclui autenticação nos endpoints do API

Gateway.

Para executar, é preciso uma única região em que Nova Canvas, Titan Multimodal Embeddings, Rekognition e OpenSearch Serverless estejam disponíveis ao mesmo tempo; o artigo recomenda us-east-1. A aplicação é montada com o AWS SAM e implantada com um único comando, e o código está publicado em um repositório da AWS no GitHub.

Na estimativa mensal de exemplo para uma carga de workshop, o componente mais caro é o Nova Canvas: cerca de $60 por 1.500 imagens de prova. O restante da infraestrutura, incluindo OpenSearch, NAT Gateway, KMS, S3 e DynamoDB, soma um valor comparativamente pequeno. A AWS também dá uma referência de carga: 50 provas virtuais, 100 consultas de busca e 75 recomendações por dia ao longo de um mês. Para um piloto, isso basta para entender a economia do cenário antes de um lançamento completo.

Mas, se a loja pretende levar essa mecânica a um tráfego de massa, terá de planejar separadamente cache, limites de chamadas aos modelos, monitoramento via CloudWatch e proteção contra abusos, para que a economia unitária não saia do controle.

O que isso significa

A AWS aposta em cenários práticos de varejo em que a IA generativa influencia não o efeito uau, mas as devoluções, a conversão e o ticket médio. Para as lojas, é útil como modelo técnico pronto: dá para verificar rapidamente se o provador virtual reduz as dúvidas antes da compra, se a busca em linguagem natural aumenta as vendas e se vale a pena escalar o cenário.