{"title":"Банк с 400 миллионами файлов поручил ИИ вычёркивать лишнее. И это уже не игрушка","url":"https://verapointmedia.com/news/huntington-bank-redacting-sensitive-data-from-400m-documents-with-aws/","markdownUrl":"https://verapointmedia.com/news/huntington-bank-redacting-sensitive-data-from-400m-documents-with-aws.md","language":"ru","category":"news","publishedAt":"2026-06-25T11:30:14.000Z","updatedAt":"2026-06-25T11:30:14.000Z","references":["https://aws.amazon.com/blogs/machine-learning/huntington-bank-redacting-sensitive-data-from-400m-documents-with-aws/","https://news.google.com/rss/articles/CBMitwFBVV95cUxOX3hXSm9vSVVTU0dROEZLTkVWSkU2aEZjejJSbG9CZHh4S0hiS2pmSG14R0JPNWRHM1phbWhEcTlJS1NSUTBHT3RpWDI3QVVlMERjdE5EeWtSQ19lT1JOTXo1a2dzbmowcWM1N0RERXBZbGQ0VlpOTzl4VDQwbnEtOVl4NGVENzc5c3k2N0hwNVdQQ0FPa1U2MWRSWFBzRjltN1h1eXJCeUwxeEo4OXNhWV9qaHBqWkU?oc=5"],"rights":"Public user-requested reading, summarization and citation allowed. Model training requires separate permission.","contentMarkdown":"# Банк с 400 миллионами файлов поручил ИИ вычёркивать лишнее. И это уже не игрушка\n\n- Site: VeraPoint News\n- Section: Новости\n- Date: 2026-06-25\n- Canonical: https://verapointmedia.com/news/huntington-bank-redacting-sensitive-data-from-400m-documents-with-aws/\n- Markdown: https://verapointmedia.com/news/huntington-bank-redacting-sensitive-data-from-400m-documents-with-aws.md\n- Summary: Huntington Bank развернул AWS-пайплайн для редактирования PII и PCI в 400M+ документов. Сроки упали с лет до месяцев, но вопросы к качеству и контролю остались.\n- Tags: #aws #банки #compliance #pii #pcidss #автоматизация\n- Image: https://verapointmedia.com/static/content-assets/news/huntington-bank-redacting-sensitive-data-from-400m-documents-with-aws/cover.webp\n\n## Sources\n\n- https://aws.amazon.com/blogs/machine-learning/huntington-bank-redacting-sensitive-data-from-400m-documents-with-aws/\n- https://news.google.com/rss/articles/CBMitwFBVV95cUxOX3hXSm9vSVVTU0dROEZLTkVWSkU2aEZjejJSbG9CZHh4S0hiS2pmSG14R0JPNWRHM1phbWhEcTlJS1NSUTBHT3RpWDI3QVVlMERjdE5EeWtSQ19lT1JOTXo1a2dzbmowcWM1N0RERXBZbGQ0VlpOTzl4VDQwbnEtOVl4NGVENzc5c3k2N0hwNVdQQ0FPa1U2MWRSWFBzRjltN1h1eXJCeUwxeEo4OXNhWV9qaHBqWkU?oc=5\n\n---\n\n## Когда у тебя не «папка с PDF», а архив на 400 миллионов документов\n\nЕсли у банка лежат сотни миллионов файлов, то ручная проверка уже не выглядит добросовестной осторожностью. Она начинает выглядеть как очень дорогая пауза на годы.\n\nИ вот тут Huntington National Bank сделал ход, который трудно назвать хайпом: он собрал на AWS систему, которая автоматически находит и редактирует чувствительные данные — PII и PCI. Если по-человечески, это персональные данные и платёжные данные: имена, номера, карточные следы и всё, что лучше не оставлять в тексте “как есть”.\n\nДля людей, которые отвечают за compliance, IT-архитектуру и риски, это не абстрактная AI-новость. Это вопрос: как не утонуть в наследии из старых документов и не превратить защиту данных в вечную ручную каторгу.\n\nЧерез три минуты тут можно понять простую вещь: где в такой автоматизации реальная польза, где уже начинается красивая упаковка, и почему «95% точности» — это не то же самое, что «ну всё, можно расслабиться».\n\n## Что банк вообще сделал — без магии и без театра\n\nHuntington хранит документы на своей собственной инфраструктуре, on-premises — то есть не в облаке, а у себя. И речь не о паре тысяч файлов, а о более чем 400 миллионах документов, накопленных с 2015 года.\n\nВ 2025 году банк решил пройтись по этому архиву и вычистить чувствительные фрагменты. Для этого собрали конвейер из четырёх AWS-сервисов.\n\nAmazon Textract — это, по сути, OCR плюс разметка текста: сервис “читает” сканы и документы и вытаскивает из них текст и структуру.\nAmazon SageMaker — платформа для обучения и запуска ML-моделей.\nAWS Step Functions — оркестратор, который связывает шаги процесса в цепочку.\nAWS Lambda — безсерверные функции, которые запускаются по событию и не требуют отдельного сервера под каждый чих.\n\nСмысл всей конструкции не в том, что “ИИ всё понял”. Смысл в том, что банк выстроил поток: достать документ, распознать, определить, где PII/PCI, замаскировать, а потом вернуть результат обратно в on-premises-хранилище.\n\nИ вот это уже похоже не на демонстрацию возможностей, а на индустриальную сборку.\n\n## Почему это не очередной AI-шум\n\nМеня тут зацепило не слово “AI”, а масштаб старой боли. Потому что у финсектора есть очень скучная, очень дорогая и очень реальная проблема: архивы живут дольше, чем любые внутренние проекты, а требования к данным только ужесточаются.\n\nВ 2025 году это особенно заметно на фоне PCI DSS и CCPA. Если совсем по-простому: PCI DSS — это правила для работы с платёжными данными, а CCPA — калифорнийский закон о персональных данных. Для банка это не декоративные рамки, а условия игры.\n\nИ вот тут автоматизация выглядит не как модный эксперимент, а как способ вообще не застрять в ручном аудите на годы.\n\nПо оценке Huntington, без такой системы задача заняла бы годы. С ней — месяцы. Разница, честно, почти неприличная.\n\nНо, конечно, надо смотреть и на вторую сторону. Потому что банку важно не просто “ускорить”, а ускорить так, чтобы не создать новую дыру прямо в процессе ускорения.\n\n## Где тут польза, а где уже начинается осторожная зона\n\nПольза очевидна: меньше ручного труда, быстрее обработка, меньше шансов, что кто-то пропустит чувствительный фрагмент просто потому, что устал и уже видел этот PDF в девятьсот восемнадцатый раз.\n\nДля банка это снижает операционный риск. Для клиентов — теоретически уменьшает вероятность того, что в старых документах останутся лишние данные, которые там не должны лежать.\n\nНо теперь неприятная, зато честная часть.\n\nАвторы кейса пишут про точность редактирования выше 95%. Звучит бодро, но это не финальный вердикт. Нам не показывают, сколько было ложных срабатываний, сколько пропусков, сколько документов всё равно ушло на ручную проверку, и как система вела себя на самых кривых и грязных форматах.\n\nТо есть “95%+” — это хорошо. Но это не “идеально”, и уж точно не “можно выключить людей”.\n\nВот тут и прячется главный смысл подобных кейсов: ИИ здесь не отменяет контроль, а меняет его форму. Вместо ручного пролистывания — надзор за качеством пайплайна, метриками и исключениями. Не менее скучно, но намного масштабнее.\n\n## Почему архитектура важнее красивого пресс-релиза\n\nМне нравится, что в этом кейсе есть именно архитектура, а не просто “мы внедрили ИИ”.\n\nПотому что для организаций с большими архивами реальная задача почти всегда одна и та же:\nкак принять старые данные, обработать их безопасно, не сломать compliance и не потерять контроль над результатом.\n\nИ тут важны детали:\n- данные должны быть зашифрованы и при хранении, и при передаче;\n- доступ к хранилищам и сервисам должен быть строго ограничен;\n- используемые сервисы должны попадать в зону PCI DSS;\n- результаты нужно вернуть обратно в исходные on-premises-системы.\n\nВот это и есть взрослая часть истории. Не “AI нашёл всё”, а “мы построили цепочку, в которой можно вообще работать с такими объёмами”.\n\nИ, если честно, это уже ближе к дорожной карте для других банков и fintech-команд, чем к вдохновляющему кейсу для презентации.\n\n## Что это значит для читателя — без корпоративной пены\n\nЕсли у вас в компании тоже лежат тонны старых документов, этот кейс говорит очень простую вещь: ручная проверка на больших архивах больше не выглядит единственным “надёжным” вариантом. Иногда она просто становится слишком медленной, слишком дорогой и слишком человеческой.\n\nНо вывод не в том, чтобы срочно “переехать на ИИ”. Вывод в том, что автоматизация в таких задачах имеет смысл только тогда, когда вы заранее понимаете:\n- какие именно данные ищете;\n- где будет контроль качества;\n- что делать с ошибками модели;\n- как вернуть результат в существующую инфраструктуру;\n- и кто потом отвечает за то, что ИИ промахнулся.\n\nВот это, между прочим, и есть настоящая взрослость подобных внедрений. Не в слове “генеративный”, а в скучной, но важной способности не развалить процесс на пути к ускорению.\n\nИ да, немного забавно: в 2025 году самый полезный AI-кейс для банка — это не чатик, а система, которая методично вычёркивает лишнее из миллионов документов. Очень скромно. Очень по делу. Очень без фейерверков. А вот вопрос, кто теперь будет проверять, что ИИ не вычеркнул лишнего, остаётся вполне человеческим.\n\n## Материалы\n\n- [AWS Machine Learning Blog] Huntington Bank: Redacting sensitive data from 400M+ documents with AWS | Amazon Web Services: https://aws.amazon.com/blogs/machine-learning/huntington-bank-redacting-sensitive-data-from-400m-documents-with-aws/\n- [news.google.com] supporting context: https://news.google.com/rss/articles/CBMitwFBVV95cUxOX3hXSm9vSVVTU0dROEZLTkVWSkU2aEZjejJSbG9CZHh4S0hiS2pmSG14R0JPNWRHM1phbWhEcTlJS1NSUTBHT3RpWDI3QVVlMERjdE5EeWtSQ19lT1JOTXo1a2dzbmowcWM1N0RERXBZbGQ0VlpOTzl4VDQwbnEtOVl4NGVENzc5c3k2N0hwNVdQQ0FPa1U2MWRSWFBzRjltN1h1eXJCeUwxeEo4OXNhWV9qaHBqWkU?oc=5\n"}