Próximo evento: El marco de implementación de agentes de IA
Próximo evento: El marco de implementación de agentes de IA
Madison Reed
San Francisco, CA
B2C - Belleza | Coloración capilar
Amazon SageMaker · Amazon Bedrock · AWS Lambda · Amazon DynamoDB · Amazon S3 · Amazon ECS Fargate · Amazon ECR · Application Load Balancer · Amazon CloudWatch · AWS IAM
Madison Reed, una empresa líder de coloración capilar directa al consumidor, se basa en un cuestionario interactivo en línea para recomendar el tono adecuado a cada cliente, pero ese cuestionario estaba impulsado por un árbol de decisión basado en reglas, mantenido manualmente, que no podía aprender del comportamiento real de los clientes ni escalar a nuevas líneas de productos. Avahi, un socio de nivel Premier de AWS, diseñó y construyó un sistema de recomendación de aprendizaje automático en AWS que aprende de los datos históricos de los clientes para predecir el tono ideal. La solución comparó cuatro enfoques de modelado, implementó el de mejor rendimiento como un punto de conexión de Amazon SageMaker en tiempo real y lo integró en un prototipo interactivo para pruebas en vivo y retroalimentación. El modelo resultante colocó el tono correcto entre sus cinco principales recomendaciones el 92,9 % de las veces, al tiempo que respetaba las reglas de negocio expertas de Madison Reed, lo que proporcionó a la empresa una base inteligente y adaptable para reemplazar el mantenimiento manual de reglas.
Madison Reed es una marca de coloración capilar directa al consumidor conocida por sus productos saludables y de calidad de salón, y por una experiencia de cliente altamente personalizada. Una parte central de esa experiencia es un cuestionario en línea que captura el perfil capilar de cada cliente (color actual, cobertura de canas, nivel deseado y más) y recomienda el tono más adecuado de un extenso catálogo de productos. A medida que la marca ha crecido y se ha expandido a nuevas líneas de productos, ofrecer recomendaciones precisas y escalables se ha vuelto cada vez más fundamental para su estrategia de comercio digital.
Las recomendaciones de tonos de Madison Reed se generaban mediante un árbol de decisión basado en reglas que debía ser ajustado manualmente por expertos en color internos. Cada nueva línea de productos o cambio en el catálogo requería una reconfiguración manual y una lógica de cuestionario adicional, lo que hacía que el sistema fuera lento para adaptarse y difícil de escalar. Dado que las reglas se definían manualmente en lugar de aprenderse, no podían mejorar a partir de la rica señal de las respuestas históricas de los clientes a los cuestionarios, las compras y los datos de satisfacción.
Este enfoque manual generó una creciente carga operativa y un techo estratégico: a medida que el catálogo se expandía, mantener la calidad de las recomendaciones manualmente se volvió menos sostenible, y la marca siguió dependiendo de herramientas de terceros con los costos asociados y las preocupaciones de dependencia. Madison Reed necesitaba un motor de recomendación que pudiera aprender de sus propios datos, adaptarse automáticamente a nuevos tonos y, aun así, respetar las estrictas limitaciones en las que confían sus coloristas, como nunca recomendar un tono más de dos niveles más claro que el color actual de un cliente.
Madison Reed quería integrar sus capacidades de IA y aprendizaje automático internamente en AWS, reduciendo la dependencia de proveedores externos de IA y obteniendo un mayor control sobre los costos, los datos y la dirección a largo plazo del sistema. AWS proporcionó una única plataforma para consolidar datos, entrenar y alojar modelos, y ofrecer recomendaciones en tiempo real, y los programas de financiación de AWS ayudaron a hacer posible la iniciativa. El equipo eligió deliberadamente un enfoque tradicional y de aprendizaje profundo en AWS, en lugar de un diseño agéntico más experimental, por su previsibilidad, control y eficiencia de costos, con Amazon Bedrock disponible para validar los resultados del modelo.
Como socio de nivel Premier de AWS con profunda experiencia en IA/ML, Avahi aportó el talento en ciencia de datos y arquitectura de soluciones GenAI necesario para llevar a Madison Reed del concepto a un modelo funcional y desplegable. Más allá de la entrega, Avahi proporcionó capacitación al equipo de Madison Reed, incluyendo jornadas de inmersión y talleres sobre Amazon Bedrock, y pudo aprovechar los programas de financiación de AWS para reducir la inversión del cliente. Avahi gestionó el proyecto de principio a fin: definiendo el alcance del trabajo, liderando la evaluación de datos, desarrollando y evaluando rigurosamente los modelos, y entregando documentación técnica completa y una transferencia de conocimientos para que el equipo de Madison Reed pudiera operar y extender el sistema.
Avahi construyó un sistema de recomendación de tonos de cabello sin servidor y totalmente gestionado en AWS. Trabajando con aproximadamente 82 000 registros utilizables de datos históricos de clientes que abarcaban un catálogo de 89 tonos, el equipo diseñó características a partir del perfil capilar de cada cliente y entrenó y comparó cuatro enfoques de modelado distintos: XGBoost, CatBoost, un perceptrón multicapa profundo y una arquitectura Hybrid DeepFM que combinaba máquinas de factorización, una red residual profunda y coincidencia basada en contenido para tonos con poco historial de entrenamiento. Después de una evaluación comparativa directa, el modelo Hybrid DeepFM fue seleccionado para producción como el de mejor rendimiento general.
El modelo seleccionado se desplegó en Amazon SageMaker, que se encargó tanto del entrenamiento del modelo como de los endpoints de inferencia en tiempo real, devolviendo las cinco recomendaciones de tono mejor clasificadas con puntuaciones de confianza. AWS Lambda proporcionó la orquestación sin servidor, enrutando las entradas del cuestionario al modelo y persistiendo los resultados, mientras que Amazon DynamoDB almacenó las predicciones, los comentarios de los usuarios y las interacciones de la sesión. Amazon S3 alojó los artefactos del modelo y los conjuntos de datos preparados. Las pruebas orientadas al cliente se ofrecieron mediante un prototipo interactivo: un cuestionario conversacional creado en Streamlit que presentaba recomendaciones en una cuadrícula visual con indicadores de confianza y capturaba comentarios de “me gusta”, “no me gusta” y selección, junto con un flujo de compra simulado. Ese frontend se containerizó y se sirvió en Amazon ECS Fargate detrás de un Application Load Balancer, con las imágenes almacenadas en Amazon ECR. Amazon Bedrock proporcionó una validación complementaria de las recomendaciones del modelo, mientras que Amazon CloudWatch y AWS IAM se encargaron de la monitorización y del acceso seguro basado en roles.
Críticamente, el sistema aplicó las reglas de negocio expertas de Madison Reed directamente en la lógica de recomendación, aplicando restricciones estrictas como rangos de nivel de tono permitidos, para que la inteligencia aprendida del modelo nunca anulara las salvaguardias en las que confían los coloristas de la marca.
El modelo Hybrid DeepFM seleccionado ofreció una precisión sólida y relevante para el negocio en un conjunto de prueba retenido de más de 12 000 clientes, respetando las restricciones expertas de Madison Reed, lo que demostró que un modelo aprendido podía igualar el estándar de calidad de la marca sin el mantenimiento manual de reglas. Más allá de la precisión, la solución demostró ser eficiente para entrenar y económica de operar, y dejó a Madison Reed con un sistema documentado y reentrenable que su propio equipo puede adaptar a medida que el catálogo crece. El sentimiento del cliente durante todo el proyecto fue positivo.
Exploremos juntos sus oportunidades de IA de alto impacto en una sesión gratuita
