Em 16 de setembro de 2026, a AWS publicou um guia técnico que mostra como montar, na nuvem, um pipeline serverless capaz de detectar e remover informações pessoalmente identificáveis (PII) em documentos escaneados em larga escala. A proposta combina o Amazon Bedrock Data Automation (BDA), o AWS Step Functions e o AWS Lambda em uma arquitetura de processamento em lote.
Um blueprint customizado define quais campos devem ser apagados antes que os arquivos sigam para terceiros ou para etapas seguintes do fluxo.
O gargalo da redação manual
Organizações que processam milhares de documentos escaneados por dia enfrentam uma necessidade recorrente de conformidade. Entre eles estão formulários médicos, sinistros de seguros e registros financeiros.
A PII precisa ser removida antes do compartilhamento dos arquivos.
O trabalho manual não escala. Consome horas de equipe, abre espaço para erro humano e gera exposição regulatória.
A redação também é um problema de precisão, não só de detecção. Uma única página pode trazer vários nomes, datas e endereços, e somente parte deles é sensível para um caso de uso específico.
Limites das abordagens tradicionais
Abordagens clássicas combinam reconhecimento óptico de caracteres (OCR) com correspondência de padrões ou modelos de aprendizado de máquina treinados sob medida. Elas tropeçam em textos degradados.
Têm dificuldade para expressar regras de negócio por campo. Exigem especialistas em aprendizado de máquina para construir e retreinar modelos sempre que o formato dos documentos muda.
A leitura generativa de documentos muda esse quadro. Modelos de fundação interpretam a página de forma holística, considerando layout, rótulos de campo e contexto.
Conseguem distinguir a quem pertence cada informação a partir de instruções em linguagem natural, em vez de modelos de entidades treinados.
Quatro perguntas antes do blueprint
Segundo a AWS, desenhar um blueprint de redação sob medida passa por quatro perguntas: o que é informação sensível, o que não é, onde ela aparece na página e como removê-la.
No exemplo usado no artigo, declarações de médico assistente (Attending Physician Statements) antes do processamento de sinistros, os campos sensíveis são nome do paciente, data de nascimento, endereço residencial e dados de contato. Nome do médico, datas de exame, endereço e telefone do consultório, sintomas e anotações clínicas ficam fora do escopo da redação.
A remoção acontece em pós-processamento. O sistema identifica as coordenadas da bounding box de cada campo elegível, converte o PDF em PNG e aplica tarjas pretas nesses pontos.
O blueprint pode ser criado no console da AWS, via AWS CLI ou por SDKs, e o console oferece um passo a passo que gera um esquema a partir de um documento de exemplo.
O esquema final enumera os campos elegíveis, seu tipo de dado, uma descrição breve em linguagem natural e transformações aplicáveis, como formato de data. Para cada campo, o serviço devolve o conteúdo extraído, uma pontuação de confiança e as coordenadas de cada instância.
Esses insumos alimentam o pós-processamento. É esse conjunto de recursos, detalhado na documentação do Amazon Bedrock Data Automation, que permite usar a solução como um motor de detecção dedicado à redação.
Pipeline serverless e verificação de qualidade
Na arquitetura proposta, o Step Functions coordena as etapas e as funções Lambda executam o trabalho em lote, sem servidores para administrar. O mesmo pipeline atende a casos de uso diferentes: basta trocar o blueprint.
Os autores do guia também apontam uma checagem de qualidade por correspondência de tokens. Ela amplia o recall nos cenários mais difíceis, como documentos degradados e escritos à mão.
Por que isso importa
O ganho principal é tirar a redação do terreno artesanal. Ao declarar em linguagem natural o que deve ser apagado, as equipes deixam de depender de modelos de entidades sob medida e reduzem o custo de adaptação quando os formatos mudam.
O serviço extrai informação estruturada de documentos, imagens, áudio e vídeo. A mesma base arquitetural pode cobrir outros tipos de mídia, desde que o blueprint reflita as regras de negócio e os limites de sensibilidade de cada cenário.
A AWS também recomenda consultar a matriz de escopo de segurança para IA generativa, que orienta o tratamento de PII em aplicações com modelos generativos. Para organizações que lidam com dados pessoais em volume, a combinação de precisão por campo, coordenadas de redação e verificação de qualidade em lote transforma uma exigência de conformidade em um processo operacional repetível.
