AWS: Huntington Bank schwärzte PII aus 400 Millionen Dokumenten mit 95 % Genauigkeit

Warum die Schwärzung personenbezogener Daten zum dringenden Problem wurde

PII — personenbezogene Daten, die eine natürliche Person eindeutig identifizieren, wie Name, Sozialversicherungsnummer oder Kontodaten — tauchen im Bankensektor in Millionen alter Papier- und Digitaldokumente auf. Regulatorische Rahmenbedingungen wie die DSGVO und der US-amerikanische GLBA verlangen deren Entfernung vor jeder weiteren Verarbeitung oder Weitergabe. Die Huntington Bank, eine der führenden Regionalbanken in den USA, stand vor dieser Aufgabe in industriellem Maßstab: mehr als 400 Millionen Dokumente mussten verarbeitet werden, ohne die Integrität des Inhalts zu beeinträchtigen.

Wie AWS das Problem für einen Bruchteil des geplanten Budgets löste

Huntington Bank erzielte eine Schwärzungsgenauigkeit von mehr als 95 % und verarbeitete dabei rund 10 Millionen Dokumente täglich. Zum Vergleich: Manuelle oder halbautomatisierte Ansätze hätten typischerweise mehrjährige Projekte mit wesentlich größeren Teams erfordert.

Der Stack, der dies ermöglichte, kombiniert vier AWS-Dienste: Amazon Textract für die Textextraktion aus gescannten Dokumenten, SageMaker für die ML-Erkennung von PII-Entitäten, Step Functions für die Orchestrierung der Arbeitsabläufe und Lambda für die serverlose Ausführung der Schritte, während DataSync den sicheren Dateitransfer zwischen den Schichten übernimmt.

Das Ergebnis ist auf der finanziellen Seite doppelt beeindruckend: Die tatsächlichen Projektkosten betrugen nur 5 % der ursprünglichen Schätzung, und die Fristen wurden von geplanten Jahren auf wenige Monate verkürzt — das Projekt wurde 20-mal günstiger als mit dem klassischen Ansatz prognostiziert geliefert.

Lektionen für die breitere Industrie

Der Fall der Huntington Bank zeigt, dass die AWS-Pipeline zur PII-Schwärzung keine Labordémonstration ist — sie funktioniert in der Produktion bei fast einer halben Milliarde Dokumente mit messbaren Ergebnissen. Eine Genauigkeit von 95 %+ ist dabei nicht perfekt, reicht aber für die regulatorische Compliance in Kombination mit gezielter menschlicher Überprüfung risikobehafteter Kategorien aus.

Für Finanzinstitute und Gesundheitsorganisationen, die auf riesigen Archiven alter Dokumente sitzen, bietet dieses Modell einen klaren Weg: Automatisierung der Extraktion und Erkennung, ML-Klassifizierung von Entitäten und serverlose Orchestrierung — ohne den Aufbau einer Infrastruktur von Grund auf.