La visión por computadora y el aprendizaje automático han acelerado la automatización de los procesos de reidentificación de animales utilizados en programas de conservación en todo el mundo. Para especies con marcas distintivas, como los patrones de manchas de las jirafas, estos métodos automatizados son cruciales para la investigación y el monitoreo de poblaciones. Sin embargo, muchas herramientas están diseñadas para expertos, y su implementación requiere una considerable experiencia técnica. Los equipos de investigación a menudo utilizan software y flujos de trabajo especializados que no son accesibles al público en general. En un entorno de zoológico, los visitantes carecen de una forma sencilla de identificar a un animal individual, y las características únicas son fácilmente pasadas por alto por visitantes no entrenados. Este estudio presenta una solución en tres partes: una interfaz web para que los visitantes del zoológico suban fotos, un modelo de aprendizaje profundo para la detección del torso de jirafa y un método de reidentificación rápida para emparejar observaciones con una galería de individuos conocidos utilizando procesamiento del lado del servidor. Comparamos varios métodos de reidentificación (RootSIFT, MiewID y MegaDescriptor) utilizando un protocolo de evaluación consistente y reportamos tanto el rendimiento de identificación como la latencia del sistema para este entorno cerrado del zoológico. En conjunto, este estudio presenta un sistema web orientado al visitante que integra modelos de reidentificación existentes en un pipeline modular y en tiempo real para su implementación en zoológicos, reduciendo la barrera para la participación de los visitantes y haciendo que los métodos de reidentificación de última generación sean más accesibles al público en general.