Estrategia técnica continua, precio fijo.
Conoce másERP empresarial, listo en semanas.
Productos SaaS
Cumplimiento Indecopi.
SaaSControl de acceso.
Servicios
Producto digital de cero, UX incluida.
Agentes, modelos y automatizaciones.
Migración e infraestructura cloud-native.
Squads como extensión de tu equipo.
Diagnóstico técnico del stack y seguridad.
Experiencia de usuario y conversión.
Cómo Altimea aplicó visión por computadora y aprendizaje cognitivo —años antes del boom de la inteligencia artificial generativa— para que un usuario identifique la pieza que necesita con una sola foto tomada desde su celular.
del análisis de viabilidad a una prueba de concepto funcional.
basta como punto de partida: sin nombre, código ni modelo de la pieza.
la viabilidad técnica del reconocimiento por imagen, validada con evidencia.
jefe de proyecto y líder técnico, el squad end-to-end del proyecto.
M&M es un comercializador de repuestos con operación de eCommerce: un catálogo amplio de piezas técnicas —muchas de ellas para vehículos de línea pesada— que sus clientes consultan y compran en línea. Su negocio depende de que el usuario encuentre, rápido y sin equivocarse, exactamente la pieza que necesita.
El problema de fondo no estaba en el catálogo, sino en el punto de partida de la búsqueda. El usuario que tiene una pieza averiada en la mano —un mecánico, un operador de flota, el dueño de una unidad— rara vez conoce su nombre técnico, su código o su modelo. Y sin ese dato, un buscador basado en texto no le sirve: navega por categorías, duda, se equivoca de pedido o abandona.
La pregunta que dio inicio al proyecto fue concreta: ¿se puede identificar un repuesto a partir de una simple foto y conectar esa imagen con el producto correcto del catálogo?
En un catálogo de miles de piezas técnicas, el usuario que tiene el repuesto averiado en la mano casi nunca conoce su nombre, su código o su modelo —y sin ese dato, el buscador no lo ayuda.
El eCommerce de M&M funcionaba como casi todos: la búsqueda partía de un texto —un nombre, un código, una referencia de modelo—. Pero su público no piensa en esos términos. Un mecánico reconoce la pieza por su forma, no por su SKU. El resultado era predecible: navegación lenta por categorías, pedidos equivocados, devoluciones, y un usuario que muchas veces prefería llamar por teléfono antes que comprar en línea.
Cambiar eso no era trivial. Significaba que la búsqueda no podía depender de texto: tenía que arrancar desde una imagen. Y aplicar reconocimiento de imágenes a un catálogo real —en esos años— no era invocar un servicio de inteligencia artificial (IA) ya entrenado. Había que evaluar la tecnología disponible, elegir un motor de reconocimiento y medir si la precisión era lo bastante buena para ser útil. Antes de comprometer presupuesto en un desarrollo completo, M&M necesitaba evidencia de que el camino funcionaba.
Antes de escribir una línea de código, evaluamos si el problema —identificar un repuesto desde una foto— era resoluble con la tecnología disponible en ese momento. El análisis arrojó una decisión clara: una solución basada en inteligencia artificial, concretamente visión por computadora con aprendizaje cognitivo.
Seleccionamos Amazon Rekognition Image sobre infraestructura Amazon Web Services (AWS) como motor de reconocimiento de imágenes. La decisión balanceó precisión, costo y tiempo de integración —clave para una prueba de concepto (PoC) que tenía que entregar evidencia rápido—.
Desarrollamos una prueba de concepto (PoC) funcional —backend en PHP Laravel, datos en MariaDB— que permite cargar una imagen y, mediante aprendizaje cognitivo, devolver la pieza identificada con su información asociada.
Conectamos el reconocimiento con el catálogo de productos de M&M: una vez identificada la pieza, la PoC ejecuta una búsqueda inteligente y la enlaza con el producto disponible para pedir.
La solución no fue un producto terminado: fue una prueba de concepto diseñada para responder una sola pregunta con evidencia —¿funciona identificar un repuesto por imagen?—. Para responderla, conecta cuatro piezas: la captura de la foto, el motor de reconocimiento, el aprendizaje cognitivo y la búsqueda en el catálogo.
El usuario carga o toma una foto de la pieza con la cámara de su celular. Ese es todo el input: no hace falta nombre, código ni modelo. La imagen es el punto de partida de la búsqueda.
El motor —Amazon Rekognition Image sobre AWS— interpreta la imagen mediante aprendizaje cognitivo en lugar de reglas fijas. Reconoce la pieza por sus características visuales, no por una etiqueta cargada de antemano.
Identificada la pieza, la PoC ejecuta una búsqueda inteligente contra el catálogo de M&M y la enlaza con el producto disponible —cerrando la distancia entre "tengo esta pieza rota" y "esta es la que tengo que pedir"—.
Más que una demo, la PoC es una herramienta de decisión: le dio a M&M la certeza técnica para evaluar, con datos y no con supuestos, si valía la pena invertir en el producto completo.
Lo importante de esta etapa no fue lanzar un producto, sino resolver una incógnita. La prueba de concepto demostró —con evidencia y no con promesas— que identificar un repuesto a partir de una foto es técnicamente viable, y que esa imagen puede conectarse con el producto correcto del catálogo. Es la etapa que le permite a un negocio decidir, con datos, si invierte en la solución completa.
el reconocimiento de repuestos por imagen quedó probado como técnicamente viable, con evidencia concreta.
una sola fotografía desde el celular reemplaza el nombre, el código y el modelo de la pieza.
del análisis de viabilidad tecnológica a una prueba de concepto funcional, end-to-end.
Decisión informada, no apuesta — M&M obtuvo evidencia concreta de viabilidad antes de comprometer presupuesto en un desarrollo completo.
IA aplicada, años antes del boom — el proyecto es de 2019-2020: Altimea ya resolvía problemas de negocio con visión por computadora cuando la inteligencia artificial todavía no era un servicio al alcance de cualquiera.
El usuario al centro, no el SKU — la búsqueda parte de lo que el usuario sí tiene —la pieza en la mano— y no de un dato técnico que rara vez conoce.
Patrón replicable — el flujo foto → reconocimiento → catálogo es trasladable a cualquier eCommerce con un catálogo extenso y técnico.
Dos meses end-to-end, del análisis de viabilidad tecnológica a una prueba de concepto (PoC) funcional. El alcance fue exactamente ese: una PoC para responder, con evidencia, si era viable identificar un repuesto a partir de una foto. No fue un desarrollo de producto en producción, sino la etapa previa que le permite a un negocio decidir con datos si invierte en la solución completa. Los dos meses reflejan un squad dedicado durante ese período, no horas dispersas en una bolsa externa.
Dos perfiles dedicados: un Jefe de Proyecto, como interfaz única con M&M y responsable de la coordinación, y un Líder Técnico, a cargo del análisis de viabilidad, la elección del motor de reconocimiento y la construcción de la prueba de concepto. Es una composición deliberadamente compacta: una PoC busca validar una hipótesis técnica rápido y con bajo costo, no escalar un equipo. El squad operó end-to-end durante los dos meses del proyecto.
El motor de reconocimiento fue Amazon Rekognition Image, el servicio de visión por computadora de Amazon Web Services (AWS), aplicando aprendizaje cognitivo para interpretar las imágenes. La prueba de concepto se construyó con un backend en PHP Laravel y base de datos MariaDB, sobre infraestructura AWS Cloud. La elección del motor balanceó precisión, costo y tiempo de integración —prioridades de una PoC que debía entregar evidencia rápido—. El método fue análisis de viabilidad tecnológica primero, construcción después.
La PoC validó, con evidencia y no con supuestos, que es técnicamente viable identificar un repuesto a partir de una sola foto y conectar esa imagen con el producto correcto del catálogo. El resultado clave no es una métrica de negocio —una prueba de concepto no está en producción— sino una decisión informada: M&M obtuvo la certeza técnica para evaluar si invertía en el producto completo. El patrón validado, foto → reconocimiento → catálogo, es replicable en cualquier eCommerce con un catálogo extenso y técnico.
Primero validar, después construir. Altimea arrancó con un análisis de viabilidad tecnológica para confirmar si el problema era resoluble con la tecnología disponible; el resultado fue optar por inteligencia artificial, concretamente visión por computadora con aprendizaje cognitivo. Luego se eligió el motor de reconocimiento —Amazon Rekognition Image sobre AWS— balanceando precisión, costo e integración. Recién entonces se construyó la PoC funcional y se conectó con el catálogo de M&M mediante una búsqueda inteligente.
Aplica a cualquier negocio con un catálogo extenso y técnico donde el cliente reconoce el producto por su forma, no por su nombre o código: repuestos, autopartes, ferretería industrial, insumos especializados. El patrón foto → reconocimiento → catálogo reduce la fricción de búsqueda y los pedidos equivocados. También aplica como etapa de validación: cuando una empresa quiere usar inteligencia artificial pero necesita evidencia de viabilidad antes de comprometer presupuesto, una prueba de concepto acotada es la forma de decidir con datos.
El servicio principal fue IA & Automatización —el análisis de viabilidad, la elección del motor de reconocimiento y el aprendizaje cognitivo son su núcleo—. La prueba de concepto se construyó con Desarrollo a medida sobre infraestructura de Modernización Cloud, y arrancó con el rigor de una Auditoría Tech de viabilidad.
Agenda 30 minutos con nuestro equipo. En esa consulta evaluamos si la inteligencia artificial es el camino correcto para tu caso, qué tan viable es y por dónde empezar. Si no es la respuesta, te lo decimos con la misma honestidad.
Agenda tu diagnóstico gratisTe respondemos en menos de 24 horas hábiles.
Garantizan el funcionamiento del sitio (sesión, preferencias técnicas, seguridad). No se pueden desactivar.
Nos ayudan a entender cómo se usa el sitio (páginas más visitadas, recorrido, tiempos) para mejorarlo. Ej: Google Analytics, Microsoft Clarity.
Permiten medir y mostrar anuncios relevantes en otras plataformas. Ej: Meta (Facebook/Instagram), LinkedIn.