David Osorio, egresado del programa AWS re/Start, presenta el MVP de Sentinel AI, una solución creada con tecnologías serverless en AWS para la detección de comportamientos sospechosos en tiendas retail mediante el análisis de imágenes en tiempo real.
¿De qué trata el proyecto?
Sentinel AI es un MVP funcional desarrollado con tecnologías serverless basadas en AWS, capaz de identificar comportamientos sospechosos a partir de imágenes en tiempo real. El sistema detecta posibles casos de shoplifting, genera alertas automáticas para supervisores y personal de seguridad y permite monitorear eventos desde un dashboard en tiempo real. Funciona con tablets o cámaras existentes y no requiere hardware adicional.
¿Qué problema viene a resolver?
El proyecto aborda el problema del shoplifting en el retail, un problema silencioso y constante que afecta a miles de tiendas en México y Latinoamérica, reduciendo utilidades y comprometiendo la seguridad de empleados y clientes. Se menciona que a nivel global este tipo de pérdidas representa más de 100 mil millones de dólares al año y que en México genera pérdidas estimadas entre el 1.7% y el 3% de los ingresos totales de las tiendas.
¿Cuál es la solución?
Una plataforma serverless que identifica comportamientos sospechosos mediante imágenes en tiempo real, activa un modelo inteligente de detección y genera alertas automáticas para supervisores y personal de seguridad. El sistema clasifica eventos, asigna niveles de prioridad, muestra alertas en un dashboard y envía notificaciones automáticas por correo electrónico cuando se detecta un posible robo en proceso.
¿Cómo fue construido?
La arquitectura inicia desde la cámara o tablet del usuario. El sitio web se distribuye con CloudFront y se aloja en S3. La aplicación se comunica con API Gateway. Cada pocos segundos la interfaz captura un frame y lo envía a una Lambda de ingestión, que genera una URL firmada para subir la imagen a un bucket S3.
Cuando la imagen llega al bucket, se activa un evento “object created” que pasa por EventBridge. Las reglas detectan la severidad y activan la Lambda Analyze, que ejecuta un modelo de custom labels de Amazon Rekognition para clasificar entre cliente normal o posible shoplifting.
Si el modelo devuelve severidad tres, EventBridge dispara la alerta hacia supervisores o gerentes asignados. El resultado se procesa en DynamoDB con los metadatos del evento, y la base de datos expone la información mediante la API para que el dashboard muestre en tiempo real eventos, severidades, detecciones y alertas.
La latencia del sistema es de aproximadamente 300 a 600 milisegundos por evento. El costo mensual estimado del MVP es de aproximadamente 25 dólares, con presupuestos configurados entre 20 y 50 dólares. La arquitectura está preparada para crecer con servicios como Kinesis, Amplify, Rekognition Video y analítica avanzada.
Este proyecto valida que la detección de shoplifting puede automatizarse utilizando únicamente servicios administrados en la nube, abordando un problema real del retail mediante una arquitectura serverless, eficiente y escalable. El MVP demuestra una primera fase funcional, con una base tecnológica preparada para evolucionar hacia capacidades avanzadas de análisis y monitoreo en tiempo real.
