Amazon Bedrock Data Automationを活用したサーバーレスな個人情報マスキング処理基盤をAWSが解説
要点
-
米AWSは、生成AIを活用したデータ抽出サービス「Amazon Bedrock Data Automation（BDA）」を用いて、文書内の個人識別情報（PII）を自動で検出・マスキングするサーバーレスパイプラインの構築例を公開した。
-
従来のOCRや個別機械学習モデルでは難しかった「文書の劣化」や「文脈に応じた項目の識別」といった課題を、生成AIの文書理解能力によって解消できるとしている。
-
BDAの「カスタムブループリント」機能により自然言語で抽出ルールを定義でき、該当箇所のテキスト情報とともに信頼度スコアやバウンディングボックス座標を取得可能だという。
-
AWS Step FunctionsやAWS Lambdaと連携させたバッチ処理アーキテクチャを採用することで、文書形式の変更にも柔軟に対応できる大規模な処理基盤を実現できると説明している。
-
米Amazon Web Services（AWS）は2026年9月16日、同社の公式機械学習ブログ（AWS ML Blog）において、「Amazon Bedrock Data Automation（BDA）」を活用したサーバーレスな個人識別情報（PII: 氏名や住所などの個人識別情報）マスキング処理パイプラインの構築手法を公開した。医療文書や保険金請求書、金融記録などに含まれる機密情報を自動で検出し、外部共有や後続処理の前にマスキング（黒塗り・除去）する一連の仕組みについて解説している。
文書マスキングにおける従来技術の限界と課題
日常的に数千件単位のスキャン文書を扱う組織では、コンプライアンス（法令順守）の観点から、文書を第三者と共有したり後続のシステムへ連携したりする前にPIIを確実にマスキングする運用が求められている。
しかし、手作業によるマスキングは工数がかかるだけでなく、人為的なミスが発生しやすく、コンプライアンス上の重大なリスク要因となる。さらに文書のマスキングは、単なる情報の「検出」だけでなく、高い「精度」が求められる課題でもあるという。1ページの中に複数の氏名や日付、住所が記載されている場合、ユースケースに応じて特定の人物や項目のみを対象として除外しなければならないケースが存在するためだ。
これまでのアプローチでは、OCR（画像から文字を読み取る光学文字認識技術）にパターンマッチングや個別の機械学習（ML）モデルを組み合わせる手法が主流だった。しかし、文字がかすれるなどテキスト品質が低下している文書への対応が難しく、業務ルールに基づくフィールド単位の細かなロジックを表現しにくいという制約があった。また、帳票のフォーマットが変わるたびに機械学習の専門知識を持った技術者がカスタムモデルを作成・再学習させなければならない点も大きな負担となっていた。
生成AIとAmazon Bedrock Data Automationによる解決
こうした課題に対し、AWSは生成AIによる文書理解を活用することで、従来の制約を取り払うことができると説明している。基底モデル（多様なタスクに対応可能な大規模な汎用AIモデル）は、レイアウトやフィールドのラベル、文脈を総合的に解釈できるため、平易な自然言語の指示を与えるだけで「その項目が誰の情報に属しているか」を正確に判別できるという。
この処理の中核を担うのが「Amazon Bedrock Data Automation（BDA）」である。BDAは、構造化されていない文書、画像、音声、動画から構造化データをインテリジェントに抽出するAmazon Bedrockのサービス機能だ。
BDAが備える「カスタムブループリント」機能を利用すると、抽出したい文書内のフィールドを自然言語の指示文で宣言的に指定できる。抽出処理を実行すると、対象の文字列だけでなく、判定の信頼度スコア（Confidence Score）や、ページ上の位置を示すバウンディングボックス（対象物がどの位置にあるかを示す矩形座標）のデータが返却される。これにより、後続のプログラムで正確な位置にマスキング処理を施すことが可能になるという。
サーバーレス構成による大規模バッチ処理の実現
今回のソリューションは、何をマスキングするかを定義する「カスタムBDAブループリント」と、それを大規模に適用する「サーバーレスパイプライン」の2つの要素で構成されている。
処理基盤には、ワークフローを制御する「AWS Step Functions」と、イベント駆動でコードを実行する「AWS Lambda」、そしてBDAを組み合わせたサーバーレスアーキテクチャが採用されている。共通のサーバーレスパイプラインを1つ構築しておけば、対象文書の種類ごとにブループリントを切り替えるだけで、多様なマスキング業務に同一の仕組みを再利用できる設計となっている。
また、ユースケースに応じた専用ブループリントを設計する際には、以下の4つのスコープを整理することが重要だとしている。
- 何が機密情報（sensitive information）に該当するか
- 何が機密情報ではないか
- 対象がページ内のどこに存在するか
- 検出した情報をどのように除去・マスキングするか
AWSは、こうした設計手順を踏まえることで、変化の激しいビジネス文書に対しても最小限の運用負荷で高精度なマスキング処理基盤を構築できると述べている。