Agente de Cumplimiento de Documentos de Jitterbit (AWS)

Descripción general

Jitterbit ofrece el Agente de Cumplimiento de Documentos (AWS) a los clientes a través de Jitterbit Marketplace. Este agente automatiza el procesamiento de documentos enfocado en el cumplimiento normativo mediante la recuperación de archivos PDF desde Amazon S3, la extracción de su contenido de texto mediante reconocimiento óptico de caracteres (OCR) y la aplicación de análisis basado en IA para detectar y eliminar información de identificación personal (PII), ayudando a las organizaciones a cumplir con los requisitos de privacidad de datos sin revisión manual de documentos.

El agente recupera archivos PDF desde un bucket de origen configurado, envía cada archivo para su procesamiento OCR asincrónico y recopila el texto completo extraído de todas las páginas. Luego, un LLM analiza el texto extraído en dos pasadas: una para identificar y almacenar los datos de PII, y otra para producir una versión depurada con toda la PII eliminada. Ambos archivos de salida se escriben en un servidor SFTP, el PDF original se archiva en un bucket de S3 independiente y se envían notificaciones por correo electrónico a los destinatarios configurados después de cada ejecución de procesamiento.

El agente realiza las siguientes tareas:

• Recupera una lista de archivos PDF desde un bucket de origen configurado de Amazon S3.
• Lee cada archivo PDF y lo envía a Amazon Textract para la extracción de texto mediante OCR asincrónico.
• Recopila el texto extraído de todas las páginas, gestionando documentos de varias páginas mediante los tokens de paginación de Textract.
• Envía el texto extraído a un LLM para detectar y extraer los datos de PII, y escribe la salida en un archivo en un servidor SFTP.
• Envía el texto extraído al LLM para producir una versión depurada con toda la PII eliminada, y escribe la salida en un archivo en un servidor SFTP.
• Archiva los archivos PDF procesados en un bucket de S3 de destino configurado.
• Envía notificaciones por correo electrónico a los destinatarios configurados después de que finaliza el procesamiento.

Este documento explica cómo configurar y operar este agente de IA. Cubre la arquitectura, los requisitos previos y los pasos para instalar, configurar y operar el agente de IA.

Arquitectura del agente de IA

Este agente de IA conecta Amazon S3, Amazon Textract, un LLM y un servidor SFTP para extraer y depurar texto de documentos PDF. Una ejecución de procesamiento típica sigue estos pasos:

1. La operación Initial Controller inicializa las variables de procesamiento y activa el paso de listado de archivos.
2. El agente se conecta al bucket de origen de Amazon S3 configurado y recupera una lista de los archivos PDF disponibles.
3. Para cada archivo, el agente lee el contenido del PDF desde Amazon S3 y lo envía a Amazon Textract para el procesamiento OCR asincrónico.
4. El agente espera a que finalice el trabajo de Textract, recupera el texto extraído utilizando el ID del trabajo y sigue los tokens de paginación hasta que se recopilan todas las páginas.
5. El agente envía el texto completo extraído al LLM con un prompt de detección de PII. Los datos de PII identificados se escriben en un archivo en el servidor SFTP.
6. El agente envía el texto extraído al LLM con un prompt de depuración de datos para producir una versión depurada. El texto depurado se escribe en un archivo en el servidor SFTP.
7. El PDF original se mueve al bucket de archivo de S3 de destino.
8. Se envía una notificación por correo electrónico a los destinatarios configurados confirmando la finalización del procesamiento.

Diagrama de flujo de trabajo

El siguiente diagrama muestra el flujo de procesamiento principal del Agente de Cumplimiento de Documentos (AWS).

Requisitos previos

Necesitas los siguientes componentes para usar este agente de IA.

Componentes de Harmony

Debes tener una licencia de Jitterbit Harmony con acceso a los siguientes componentes:

• Jitterbit Studio
• Agente de Cumplimiento de Documentos (AWS) adquirido como complemento de licencia

Extremos compatibles

El agente de IA se conecta a los siguientes extremos. Puedes adaptarte a otros sistemas modificando las configuraciones de extremos y los flujos de trabajo del proyecto.

Modelo de lenguaje grande (LLM)

El agente utiliza Amazon Bedrock para acceder a modelos de lenguaje grande para la detección de PII y la sanitización de datos. Amazon Bedrock es un servicio administrado que proporciona acceso a modelos fundamentales de proveedores como Anthropic, Amazon y Meta. El proyecto está configurado para usar Amazon Nova Lite de forma predeterminada. Puedes sustituir otro modelo compatible con Bedrock actualizando el ID del modelo en la configuración de la actividad de Bedrock. Debes tener una cuenta de AWS con acceso a Amazon Bedrock habilitado en tu región y el modelo seleccionado habilitado.

Amazon S3

El agente utiliza Amazon S3 tanto como fuente de PDF como destino del archivo. Debes tener una cuenta de AWS con credenciales de IAM que tengan permisos de AmazonS3FullAccess y dos depósitos configurados: uno para los archivos PDF entrantes y otro para archivar los archivos procesados.

Amazon Textract

El agente utiliza Amazon Textract para la extracción asincrónica de OCR de archivos PDF. Tus credenciales de IAM deben incluir permisos de AmazonTextractFullAccess. El depósito de S3 de origen debe tener una política de recursos que permita a Amazon Textract leerlo (consulta Configurar recursos de AWS).

SFTP

El agente escribe los archivos de salida procesados (datos de PII y texto limpio) en un servidor SFTP. Debes tener un servidor SFTP accesible desde Jitterbit con credenciales de conexión válidas.

Correo electrónico

El agente envía notificaciones de procesamiento por correo electrónico SMTP. La configuración predeterminada utiliza Gmail (smtp.gmail.com). Debes tener una cuenta de correo del remitente con acceso SMTP habilitado y, si utilizas Gmail, una contraseña de aplicación configurada.

Instalación, configuración y funcionamiento

Sigue estos pasos para instalar, configurar y operar este agente de IA:

1. Descargar e instalar el proyecto
2. Configurar recursos de AWS
3. Configurar variables del proyecto
4. Probar conexiones
5. Implementar el proyecto
6. Revisar flujos de trabajo del proyecto
7. Activar los flujos de trabajo del proyecto

Para obtener orientación sobre la solución de problemas, consulta Solución de problemas.

Descargar e instalar el proyecto

Sigue estos pasos para instalar el proyecto de Studio para el agente de IA:

1. Inicia sesión en el portal Harmony en https://login.jitterbit.com y abre Marketplace.

2. Localiza el agente de IA llamado Document Compliance Agent (AWS). Para localizar el agente, utiliza la barra de búsqueda o, en el panel Filters bajo Type, selecciona AI Agent para limitar la visualización a agentes de IA.

3. Haz clic en el enlace Documentation del agente para abrir su documentación en una pestaña separada. Mantén la pestaña abierta para consultarla después de iniciar el proyecto.

4. Haz clic en Start Project para abrir un diálogo de configuración.

   Nota

   Si aún no has comprado el agente de IA, se muestra Get this agent. Haz clic en él para abrir un diálogo informativo y luego haz clic en Submit para que un representante se ponga en contacto contigo sobre la compra del agente de IA.

5. En el diálogo Create a New Project, selecciona un environment donde se creará el proyecto de Studio y luego haz clic en Create Project.

6. Después de que el diálogo de progreso indique que el proyecto está creado, utiliza el enlace del diálogo Go to Studio o abre el proyecto directamente desde la página Projects de Studio.

Configurar recursos de AWS

Antes de configurar las variables del proyecto, configura los recursos de AWS requeridos.

Crear un usuario de IAM y claves de acceso

1. En la Consola de administración de AWS, abre IAM y selecciona Users en la barra lateral izquierda.

2. Selecciona un usuario existente o haz clic en Create user para crear uno nuevo. Asegúrate de que el usuario tendrá permisos para Amazon S3, Amazon Textract y Amazon Bedrock.

3. Abre la pestaña Security credentials del usuario, desplázate hasta Access keys y haz clic en Create access key.

4. Selecciona el caso de uso apropiado, haz clic en Next, luego copia y almacena de forma segura el Access Key ID y la Secret Access Key. La clave secreta se muestra solo una vez.

5. En la pestaña Permissions del usuario, haz clic en Add permissions y adjunta las siguientes políticas: AmazonBedrockFullAccess, AmazonS3FullAccess, AmazonTextractFullAccess.

Crear buckets en S3

1. En la consola de administración de AWS, abre S3 y haz clic en Create bucket.

2. Crea el bucket de origen donde se colocarán los archivos PDF para procesar. Anota el nombre del bucket para la variable de proyecto AmazonBucket.

3. Crea un segundo bucket que sirva como destino de archivo para los archivos procesados. Anota su nombre para la variable de proyecto DestinationAmazonBucket.

4. Asegúrate de que ambos buckets estén en la misma región de AWS.

Configurar la política del bucket de origen

Amazon Textract requiere acceso de lectura al bucket S3 de origen. Aplica la siguiente política de recurso para otorgar ese acceso, reemplazando <source-bucket-name> con el nombre real de tu bucket:

1. En Amazon S3, selecciona el bucket de origen y abre la pestaña Permissions.

2. En Bucket policy, haz clic en Edit y pega la siguiente política:

   {
       "Version": "2012-10-17",
       "Statement": [
           {
               "Effect": "Allow",
               "Principal": {
                   "Service": "textract.amazonaws.com"
               },
               "Action": [
                   "s3:GetObject",
                   "s3:ListBucket"
               ],
               "Resource": [
                   "arn:aws:s3:::<source-bucket-name>",
                   "arn:aws:s3:::<source-bucket-name>/*"
               ]
           }
       ]
   }
   

3. Haz clic en Save changes.

Configurar variables de proyecto

En el proyecto de Studio instalado desde Marketplace, establece valores para las siguientes variables de proyecto.

Para configurar variables de proyecto, usa el menú de acciones del proyecto y selecciona Project Variables para abrir el panel de configuración.

Amazon Web Services

SFTP

Correo electrónico

Probar conexiones

Prueba las configuraciones de punto de conexión para verificar la conectividad utilizando los valores de variables de proyecto definidos.

Para probar conexiones, ve a la pestaña Project endpoints and connectors de la paleta de componentes de diseño, pasa el cursor sobre cada punto de conexión y haz clic en Test.

Implementar el proyecto

Implementa el proyecto de Studio.

Para implementar el proyecto, usa el menú de acciones del proyecto y selecciona Deploy.

Revisar flujos de trabajo del proyecto

El proyecto de Studio contiene un flujo de trabajo que implementa el procesamiento del Document Compliance Agent (AWS).

Analizador de PDF

Controlador Inicial

La operación Controlador Inicial sirve como punto de entrada del flujo de trabajo. Ejecuta el Script del Controlador, que inicializa las variables lineTexts y gv_extractedText a un estado limpio, luego activa la operación Listar Archivos desde Amazon S3.

Listar Archivos desde Amazon S3

La operación Listar Archivos desde Amazon S3 se conecta al bucket de S3 de origen configurado mediante el adaptador de Amazon S3 y recupera una lista de nombres de archivos PDF disponibles. Los nombres de archivo se almacenan en una variable y se registran como referencia antes de que el flujo de trabajo continúe leyendo cada archivo.

Leer Archivos desde Amazon S3

La operación Leer Archivos desde Amazon S3 recupera el contenido binario de cada PDF desde S3. La carga útil de respuesta se transforma y se almacena en una variable para enviarla a Amazon Textract.

Extraer Datos de PDF con Textract

La operación Extraer Datos de PDF con Textract envía los datos del PDF a Amazon Textract a través de HTTP para procesamiento OCR asincrónico. La operación recupera un ID de trabajo de la respuesta de Textract, lo registra, espera un minuto a que se complete el trabajo, luego activa la operación Obtener Datos del ID de Trabajo.

Obtener Datos del ID de Trabajo

La operación Obtener Datos del ID de Trabajo envía el ID de trabajo a Amazon Textract para recuperar resultados de OCR. La respuesta se transforma para extraer texto a nivel de línea, que se añade a la variable de texto extraído global. Si un token de paginación está presente en la respuesta, la operación se ramifica a Obtener Datos del Siguiente Token; de lo contrario, procede al paso de detección de PII.

Obtener Datos del Siguiente Token

La operación Obtener Datos del Siguiente Token maneja resultados de Textract de múltiples páginas usando el token de paginación para obtener los datos de las páginas restantes. El texto a nivel de línea de cada página se añade a la variable de texto global. La operación continúa obteniendo páginas hasta que no se devuelvan más tokens, luego se ramifica al paso de detección de PII.

Consultar Bedrock para Datos PII

La operación Consultar Bedrock para Datos PII envía el texto extraído completo a Amazon Nova Lite a través de Amazon Bedrock con un mensaje para detectar información de identificación personal. La respuesta se analiza para extraer datos de PII como JSON, que se registran y se escriben en un archivo en el servidor SFTP.

Consultar Bedrock para Datos Limpios

La operación Consultar Bedrock para Datos Limpios envía el texto extraído a Amazon Nova Lite a través de Amazon Bedrock con un mensaje para producir una versión sanitizada sin PII. La respuesta se posprocesa usando expresiones regulares para eliminar cualquier dato sensible residual, y el texto limpio se escribe en un archivo en el servidor SFTP.

Mover Archivo al Archivo

La operación Mover Archivo al Archivo mueve el PDF procesado del bucket de S3 de origen al bucket de archivo de destino, asegurando que el archivo no se reprocese en ejecuciones posteriores.

Activar los flujos de trabajo del proyecto

Para ejecutar el Document Compliance Agent (AWS), implementa y ejecuta la operación Initial Controller. En Studio, coloca el cursor sobre la operación y haz clic en el icono Deploy and Run en la esquina superior derecha del mosaico de operación.

Para automatizar la canalización, configura programaciones de operación en la operación Initial Controller para que se ejecute con la frecuencia que prefieras.

Solución de problemas

Si encuentras problemas, revisa los registros de operación para obtener información detallada sobre la solución de problemas.

Para obtener asistencia adicional, contacta al soporte de Jitterbit.