漢廷頓銀行（Huntington National Bank）身為美國前十大銀行，面對的是所有大型機構都曾遇過的難題：如何處理長年累積、堆積如山的歷史文件？自 2015 年以來，該行在內部部署系統中儲存了超過 4 億份文件。隨著資料保護法規日益嚴格，銀行在 2025 年啟動了一項主動合規計畫，目標是從這龐大的資料庫中精準找出並遮蔽客戶的敏感個資。
這項任務的艱鉅之處在於文件的多樣性與規模。長達十年的文件包含了各種格式，從純文字到掃描影像應有盡有。如果採用傳統的人工處理或簡單的規則比對，最初評估這項工作可能需要耗費數年的時間才能完成。然而，漢廷頓銀行透過導入 AWS 的雲端原生技術，成功將處理時程縮短至短短幾個月，這不僅是技術上的突破，更是金融數位轉型中極具參考價值的案例。
在技術架構上，這套方案的核心在於自動化與高度擴展性。銀行利用 Amazon Textract 進行精準的光學字元辨識（OCR），將非結構化的文件內容轉換為可供機器閱讀的文字，並結合 Amazon SageMaker 的機器學習模型，精準辨識出姓名、社會安全號碼等敏感資訊。最後透過 AWS Step Functions 與 Lambda 進行工作流的自動化調度。這種雲端架構的優點在於，當面對數億份文件時，可以根據需求動態調整運算資源，確保在高吞吐量的情況下依然能維持穩定性與安全性。
從產業影響的角度來看，這項發展標誌著金融業處理資料合規性的思維轉變。過去，銀行往往視歷史文件為「沈默的負擔」，因為處理成本與風險過高而選擇被動儲存；現在，藉由高效能的 AI 與雲端工具，銀行能化被動為主動，在符合資安與隱私標準的前提下，更有效地管理數位資產。這對社會大眾而言，也代表著儲存在金融機構的個人隱私能獲得更細緻、更及時的保護。
這項專案的重要性在於，它為全球受高度監管的產業提供了一個可執行的技術範本。當企業面臨法規更新或資安威脅時，技術架構的靈活性決定了回應速度。漢廷頓銀行的案例證明，只要技術選型正確且流程設計得宜，即便是數億規模的巨量資料處理，也能在可控的時間與成本內達成目標。