AWS mostra como construir um provador virtual para varejo no Nova Canvas

AWS опубликовала подробный разбор того, как ритейлеру собрать AI-примерочную и персональный поиск одежды на своих облачных сервисах. В центре решения — не новый отдельный продукт, а готовая reference-архитектура, которую можно развернуть как serverless-приложение и адаптировать под интернет-магазин.

Как устроено решение

Схема построена вокруг Amazon Nova Canvas, Rekognition, Titan Multimodal Embeddings и OpenSearch Serverless. Nova Canvas отвечает за фотореалистичную примерку: пользователь загружает фото, система берёт снимок вещи и с помощью режима virtual try-on генерирует итоговое изображение. Rekognition анализирует тип одежды, области тела и другие признаки, чтобы маска легла корректно и итог выглядел правдоподобно.

Вся логика разбита на несколько AWS Lambda-функций: фронтенд, обработка примерки, генерация рекомендаций, загрузка датасета и умный поиск. Для хранения используются S3 и DynamoDB, а векторный индекс строится в OpenSearch Serverless. AWS подчёркивает, что архитектура модульная: можно взять только виртуальную примерку, только рекомендации или собрать полный контур.

Развёртывание описано почти как готовый рецепт для команды разработки: нужно клонировать репозиторий, установить зависимости, собрать стек через SAM и затем выполнить guided deployment. После этого остаётся загрузить мини-датасет с 60+ товарами и отдельно запустить индексацию, чтобы заработали поиск и рекомендации.

Что получает магазин

Для пользователя это выглядит как обычный shopping-flow, но с дополнительным слоем AI. После загрузки фото можно либо примерить собственную вещь, либо выбрать товар из подготовленного набора. В демо AWS использует датасет из 60+ fashion-позиций, а обработка результата обычно укладывается примерно в 15 секунд. Помимо самой примерки, сервис сразу подталкивает к следующему действию: сохранить результат, скачать его или запросить похожие товары.

• Виртуальная примерка на фото клиента Рекомендации похожих товаров по визуальному сходству Поиск на естественном языке вроде «синие платья до $100»
• Фильтрация по цвету, цене, категории и полу * Сбор аналитики по сессиям, популярным товарам и действиям пользователей Рекомендательный слой построен на Titan Multimodal Embeddings: изображения и текст превращаются в векторы размерности 1024, после чего OpenSearch ищет ближайшие совпадения почти в реальном времени. Поиск тоже не ограничивается ключевыми словами: AWS пишет, что агент различает как минимум три пользовательских сценария — подбор образа, поиск по бюджету и исследование новых стилей. Плюс к этому в DynamoDB собирается аналитика по примеркам, уникальным пользователям, популярным категориям и дневной активности, что делает решение полезным не только для витрины, но и для мерчандайзинга.

Риски и экономика У решения есть важные оговорки.

AWS прямо предупреждает, что базовое развёртывание не включает аутентификацию на API Gateway, поэтому такой шаблон нельзя без доработок выводить в production. Отдельно рекомендуется проверять все пользовательские изображения: валидировать формат, размер и разрешение, а также прогонять их через moderation, прежде чем отправлять в S3 и пайплайн генерации. Иначе магазин рискует получить не только лишние расходы, но и проблемы с безопасностью и контентом.

Базовое развёртывание не включает аутентификацию на конечных точках API Gateway.

Для запуска нужен один регион, где одновременно доступны Nova Canvas, Titan Multimodal Embeddings, Rekognition и OpenSearch Serverless; в статье рекомендуют us-east-1. Само приложение собирается через AWS SAM и разворачивается одной командой, а код опубликован в GitHub-репозитории AWS. В примерном месячном расчёте для workshop-нагрузки самым дорогим компонентом оказывается Nova Canvas — около $60 за 1 500 изображений примерки.

Остальная инфраструктура, включая OpenSearch, NAT Gateway, KMS, S3 и DynamoDB, добавляет ещё сравнительно небольшую сумму. AWS также приводит ориентир по нагрузке: 50 виртуальных примерок, 100 поисковых запросов и 75 рекомендаций в день при работе в течение месяца. Для пилота этого достаточно, чтобы понять экономику сценария ещё до полноценного запуска.

Но если магазин собирается выводить такую механику на массовый трафик, придётся отдельно продумывать кеширование, лимиты вызовов моделей, мониторинг через CloudWatch и защиту от злоупотреблений, чтобы итоговая unit-экономика не расползлась.

Что это значит AWS делает ставку на прикладные retail-сценарии, где

генеративный AI влияет не на вау-эффект, а на возвраты, конверсию и средний чек. Для магазинов это полезно как готовый технический шаблон: можно быстро проверить, снижает ли виртуальная примерка число сомнений перед покупкой, даёт ли поиск на естественном языке рост продаж и стоит ли масштабировать такой сценарий дальше.