Affle (Visenze)

ViSenze: Análisis de Descubrimiento Visual Agentivo y Multi-Search

A partir de enero de 2026, ViSenze se ha integrado en el ecosistema de Rezolve AI, pasando de ser una herramienta independiente de búsqueda visual a un Agente de Comercio Conversacional integral. La arquitectura de la plataforma se centra en un motor multimodal de alto rendimiento (throughput) que reconcilia la intención visual (fotos, capturas de pantalla) con consultas en lenguaje natural para ofrecer una precisión de búsqueda líder en el sector del 99% [Documentado]. El sistema central actúa como una capa especializada de orquestación que conecta el contenido social no estructurado con las bases de datos de inventario de los comerciantes [Inferencia].

Orquestación de Modelos y Lógica Agentiva

El marco de 2026 utiliza la Arquitectura Multi-Search, que permite el procesamiento simultáneo de texto, palabras clave y embeddings de imágenes en una única consulta unificada [Documentado].

• Etiquetado con GenAI: Emplea modelos generativos para automatizar el enriquecimiento de catálogos, extrayendo cientos de atributos de estilo (material, silueta, ocasión) y reduciendo la sobrecarga manual de metadatos [Documentado].
• Agentes de IA Conversacional: Se integra con el Brain de Rezolve para gestionar consultas de compra en tiempo real, sugiriendo outfits basados en el tipo de cuerpo y tendencias climáticas [Documentado].
• Motor de Similitud Visual: Utiliza transformadores de deep-learning especializados, optimizados para escenarios street-to-shop con latencia inferior a 500 ms [Documentado].

⠠⠉⠗⠑⠁⠞⠑⠙⠀⠃⠽⠀⠠⠁⠊⠞⠕⠉⠕⠗⠑⠲⠉⠕⠍

Patrones de Integración y Medios Shoppables

La interoperabilidad se logra mediante una API basada en REST y un nuevo puente Model Context Protocol (MCP), que permite a los agentes de IA generar galerías shoppables de forma autónoma [Documentado]. Los SDK nativos para Unity y WebXR facilitan experiencias inmersivas 'See-It-Want-It' en entornos de computación espacial [Documentado].

Gestión de Rendimiento y Recursos

El sistema gestiona más de 3.000 millones de búsquedas de imágenes a nivel global, utilizando clústeres de GPU distribuidos para la indexación de vectores en tiempo real. Aunque el etiquetado de alto volumen se externaliza a recursos computacionales gestionados, la latencia exacta de la síntesis de descripciones generativas bajo cargas máximas sigue siendo información propietaria [Desconocido].

Guía de Evaluación

Los evaluadores técnicos deben verificar las siguientes características arquitectónicas:

• Latencia de Multi-Search: Medir los tiempos de respuesta de extremo a extremo para consultas que combinen imágenes de alta resolución y cadenas complejas de lenguaje natural (objetivo < 800 ms) [Desconocido].
• Precisión del Etiquetado: Auditar la precisión del etiquetado con GenAI en diversas categorías de SKU, especialmente para artículos no relacionados con la moda, donde los datos de entrenamiento visual pueden ser escasos [Inferencia].
• Atribución CPCU: Solicitar documentación sobre la lógica determinista de atribución utilizada para mapear la intención de búsqueda visual con las conversiones finales dentro de la pila publicitaria de Affle [Documentado].