Saltar al contenido

Agente de Cumplimiento de Documentos (Google)

Descripción general

Jitterbit proporciona el Agente de Cumplimiento de Documentos (Google) a los clientes a través de Jitterbit Marketplace. Este agente automatiza el procesamiento de documentos orientado al cumplimiento normativo al recuperar archivos PDF de Google Cloud Storage, extraer su contenido de texto mediante reconocimiento óptico de caracteres (OCR) y aplicar 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 de un bucket de origen configurado, se autentica con Google Cloud utilizando una cuenta de servicio y un token de acceso OAuth2 en caché, y envía cada archivo a Google Document AI para la extracción de OCR. Luego, un LLM analiza el texto extraído en dos pasos: una vez para identificar y almacenar datos de PII, y nuevamente para producir una versión desinfectada con todo el PII eliminado. Ambos archivos de salida se escriben en un servidor FTP, el PDF original se copia en un bucket de archivo separado de Google Cloud Storage y se elimina del origen, y se envían notificaciones por correo electrónico a los destinatarios configurados cuando ocurren errores de procesamiento.

El agente realiza las siguientes tareas:

  • Se autentica con Google Cloud utilizando un JWT de cuenta de servicio y almacena en caché el token de acceso OAuth2 para reutilizarlo en ejecuciones de procesamiento.
  • Recupera una lista de archivos PDF de un bucket de origen Google Cloud Storage configurado.
  • Envía cada archivo PDF a Google Document AI para extracción de texto de OCR y recopila el texto completo extraído.
  • Envía el texto extraído a un LLM para detectar y extraer datos de PII, y escribe la salida en un archivo en un servidor FTP.
  • Envía el texto extraído al LLM para producir una versión limpia con todo el PII eliminado, y escribe la salida en un archivo en un servidor FTP.
  • Archiva archivos PDF procesados en un bucket de Google Cloud Storage de destino configurado y elimina los originales del bucket de origen.
  • Envía notificaciones por correo electrónico a los destinatarios configurados cuando ocurren errores de procesamiento.

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

Arquitectura del agente de IA

Este agente de IA conecta Google Cloud Storage, Google Document AI, un LLM y un servidor FTP para extraer y desinfectar texto de documentos PDF. Una ejecución de procesamiento típica sigue estos pasos:

  1. La operación GCP Controller verifica el caché para un token de acceso OAuth2 válido. Si no existe, activa la operación Generate AccessToken para autenticarse con Google Cloud utilizando las credenciales de cuenta de servicio configuradas.
  2. El agente se conecta al bucket de origen de Google Cloud Storage configurado y recupera una lista de archivos PDF disponibles.
  3. Para cada archivo, el agente envía el PDF a Google Document AI para extracción de texto de OCR y recopila el texto completo extraído.
  4. El agente envía el texto extraído al LLM con un indicador de detección de PII. Los datos de PII identificados se escriben como archivo JSON en el servidor FTP.
  5. El agente envía el texto extraído al LLM con un indicador de limpieza de datos para producir una versión desinfectada. El texto limpio se escribe como archivo JSON en el servidor FTP.
  6. El PDF procesado se copia en el bucket de archivo de Google Cloud Storage de destino y luego se elimina del bucket de origen.
  7. Si algún paso en la canalización falla, se envía una notificación por correo electrónico a los destinatarios configurados con detalles del error.

Diagrama del flujo de trabajo

El siguiente diagrama muestra la canalización de procesamiento principal para el Agente de Cumplimiento de Documentos (Google).

--- config: themeVariables: lineColor: '#6b7280' edgeLabelBackground: '#f5f5f5' flowchart: padding: 20 nodeSpacing: 80 --- flowchart LR classDef default fill:white, stroke:black, stroke-width:3px, rx:15px, ry:15px JSP@{ shape: hex, label: "
Document Compliance
Agent (Google)" } GCSSRC[fab:fa-google
Google Cloud Storage
Source Bucket] DOCAI[fab:fa-google
Google Document AI] LLM[fas:fa-brain
LLM] FTP[fas:fa-server
FTP Server] GCSARC[fab:fa-google
Google Cloud Storage
Archive Bucket] EMAIL[fas:fa-envelope
Email] JSP <-->|1. List and get PDFs| GCSSRC JSP <-->|2. OCR request / extracted text| DOCAI JSP <-->|3. PII detection prompt / PII data| LLM JSP <-->|4. Clean data prompt / cleaned text| LLM JSP -->|5. Write output files| FTP JSP -->|6. Archive and delete PDF| GCSARC JSP -->|7. Error notification| EMAIL

Requisitos previos

Necesitas los siguientes componentes para utilizar 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 (Google) adquirido como complemento de licencia

Puntos finales compatibles

El agente de IA se conecta a los siguientes puntos finales. Se pueden integrar otros sistemas modificando las configuraciones de puntos finales y los flujos de trabajo del proyecto.

Modelo de lenguaje grande (LLM)

El agente utiliza Google Vertex AI para acceder a modelos de lenguaje grande para detección de PII y sanitización de datos. El proyecto está configurado para usar Gemini 2.5 Flash de forma predeterminada. Se puede sustituir por otro modelo compatible con Vertex AI actualizando la variable de proyecto GCP_Model. Es necesario tener un proyecto de Google Cloud con la API de Vertex AI habilitada y una cuenta de servicio con el rol de Usuario de Vertex AI.

Google Cloud Storage

El agente utiliza Google Cloud Storage tanto como fuente de PDF como destino de archivo. Es necesario tener un proyecto de Google Cloud con la API de Cloud Storage habilitada, dos buckets de Cloud Storage configurados (uno para archivos PDF entrantes y otro para archivar archivos procesados) y una cuenta de servicio con el rol de Administrador de Objetos de Storage en ambos buckets.

Google Document AI

El agente utiliza Google Document AI para la extracción de texto OCR de archivos PDF. Es necesario tener la API de Cloud Document AI habilitada en el proyecto de Google Cloud, un procesador de Document AI creado y una cuenta de servicio con el rol de Usuario de la API de Document AI.

FTP

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

Correo electrónico

El agente envía notificaciones de error por correo electrónico SMTP. La configuración predeterminada utiliza Gmail (smtp.gmail.com). Es necesario tener una cuenta de correo del remitente con acceso SMTP habilitado y, en caso de usar Gmail, una contraseña de aplicación configurada.

Instalación, configuración y operación

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

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

Para obtener orientación sobre solución de problemas, consultar Solución de problemas.

Descargar e instalar el proyecto

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

  1. Iniciar sesión en el portal Harmony en https://login.jitterbit.com y abrir Marketplace.

  2. Localizar el agente de IA llamado Document Compliance Agent (Google). Para localizar el agente, usar la barra de búsqueda o en el panel Filters bajo Type, seleccionar AI Agent para limitar la visualización a agentes de IA.

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

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

    Nota

    Si aún no se ha comprado el agente de IA, se muestra Get this agent. Hacer clic en él para abrir un diálogo informativo, luego hacer clic en Submit para que un representante se comunique sobre la compra del agente de IA.

    Consejo

    El diálogo de configuración incluye una advertencia para no importar la plantilla antes de aplicar personalizaciones de puntos finales. Esta advertencia no se aplica a este agente de IA y puede ignorarse. Seguir en su lugar el orden recomendado de pasos en esta documentación.

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

  6. Después de que el diálogo de progreso indique que el proyecto se ha creado, usar el enlace de diálogo Go to Studio o abrir el proyecto directamente desde la página Projects de Studio.

Configurar recursos de GCP

Antes de configurar variables de proyecto, configurar los recursos necesarios de Google Cloud Platform.

Habilitar APIs requeridas

  1. Abrir Google Cloud Console y seleccionar el proyecto.

  2. Abre el menú de navegación y ve a APIs y servicios > Biblioteca.

  3. Busca y habilita cada una de las siguientes APIs:

    • Cloud Storage API
    • Cloud Document AI API
    • Vertex AI API

Crear una cuenta de servicio

  1. En Google Cloud Console, abre IAM y administración > Cuentas de servicio y haz clic en Crear cuenta de servicio.

  2. Ingresa un nombre para la cuenta de servicio y haz clic en Crear y continuar.

  3. Asigna los siguientes roles de IAM a la cuenta de servicio:

    • Administrador de objetos de almacenamiento (requerido para leer, archivar y eliminar archivos en ambos buckets de Cloud Storage)
    • Usuario de Document AI API (requerido para la extracción de texto OCR)
    • Usuario de Vertex AI (requerido para inferencia LLM)

  4. Haz clic en Listo para crear la cuenta de servicio.

  5. En la lista de cuentas de servicio, haz clic en la cuenta de servicio que acabas de crear. Abre la pestaña Claves, haz clic en Agregar clave > Crear clave nueva, selecciona JSON y haz clic en Crear. El archivo de clave se descarga automáticamente.

  6. Abre el archivo de clave JSON descargado y anota los siguientes valores para usarlos en las variables del proyecto:

    • El valor client_email se asigna a la variable del proyecto GCP_clientEmail.
    • El valor private_key se asigna a la variable del proyecto GCP_privateKey.
    • El valor private_key_id se asigna a la variable del proyecto GCP_privateKeyId.

Crear buckets de Cloud Storage

  1. En Google Cloud Console, abre Cloud Storage > Buckets y haz clic en Crear.

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

  3. Crea un segundo bucket para servir como destino de archivo para archivos procesados. Anota su nombre para la variable del proyecto GCP_Archive_BucketName.

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

Crear un procesador de Document AI

  1. En Google Cloud Console, abre Document AI > Mis procesadores y haz clic en Crear procesador.

  2. Selecciona Document OCR como tipo de procesador.

  3. Ingresa un nombre para el procesador, selecciona una región y haz clic en Crear. Anota la región para la variable del proyecto GCP_DocumentAI_Location.

  4. Una vez que se crea el procesador, copia el ID del procesador de la página de detalles del procesador. Usa este valor para la variable del proyecto GCP_Processor_ID.

Configurar variables del proyecto

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

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

Google Cloud Platform

Nombre de variable Descripción
GCP_Project_ID ID del proyecto de Google Cloud.
GCP_clientEmail Dirección de correo electrónico de la cuenta de servicio desde la clave JSON de la cuenta de servicio.
GCP_privateKeyId ID de clave privada desde la clave JSON de la cuenta de servicio.
GCP_privateKey Clave privada desde la clave JSON de la cuenta de servicio en formato PEM.
GCP_tokenURI URI del punto de acceso de token OAuth2 para autenticarse con Google Cloud. Usa el valor predeterminado: https://oauth2.googleapis.com/token.
GCP_scope Alcance de OAuth2 para la cuenta de servicio. Usa el valor predeterminado: https://www.googleapis.com/auth/cloud-platform.

Google Document AI

Nombre de variable Descripción
GCP_DocumentAI_Location Código de ubicación para Document AI API (por ejemplo, us).
GCP_Processor_ID ID del procesador de Document AI. Consulta Crear un procesador de Document AI.

Google Vertex AI

Nombre de variable Descripción
GCP_VertexAI_Location Región de Vertex AI (por ejemplo, us-central1).
GCP_Model Nombre del modelo Gemini utilizado para la detección de PII y sanitización de datos (por ejemplo, gemini-2.5-flash).
GCP_temperature Temperatura de muestreo de LLM. Los valores más bajos producen respuestas más determinísticas (por ejemplo, 0.1).
GCP_maxOutputTokens Número máximo de tokens en la respuesta de LLM (por ejemplo, 8192).

Google Cloud Storage

Nombre de variable Descripción
GCP_Get_BucketName Nombre del bucket de origen de Google Cloud Storage donde se colocan los archivos PDF para procesarse.
GCP_Archive_BucketName Nombre del bucket de archivo de Google Cloud Storage donde se mueven los archivos procesados después del análisis.

FTP

Nombre de variable Descripción
FTP_Host Nombre de host del servidor FTP.
FTP_UserName Nombre de usuario de FTP.
FTP_Password Contraseña de FTP.
FTP_File_Path Ruta de la carpeta de destino de FTP (por ejemplo, /PDF_Parser/).

Correo electrónico

Nombre de variable Descripción
SMTP_Host Nombre de host del servidor SMTP para enviar notificaciones de error (por ejemplo, smtp.gmail.com).
SMTP_Username Nombre de usuario de SMTP.
SMTP_Password Contraseña de SMTP. Para Gmail, genera una contraseña de aplicación en la configuración de seguridad de tu cuenta de Google.
Email_From_Recipients Dirección de correo electrónico del remitente para mensajes de notificación de error.
Email_To_Recipients Dirección(es) de correo electrónico del destinatario para mensajes de notificación de error.

Agente

Nombre de variable Descripción
debug Establece en 1 para habilitar el registro de depuración o en 0 para deshabilitarlo.

Prueba de conexiones

Prueba las configuraciones del endpoint para verificar la conectividad utilizando los valores de variables del proyecto definidos.

Para probar conexiones, ve a la pestaña Project endpoints and connectors (Endpoints y conectores del proyecto) de la paleta de componentes de diseño, coloca el cursor sobre cada endpoint y haz clic en Test (Prueba).

Implementa el proyecto

Implementa el proyecto de Studio.

Para implementar el proyecto, utiliza el menú acciones del proyecto y selecciona Deploy (Implementar).

Revisa los flujos de trabajo del proyecto

El proyecto de Studio contiene un flujo de trabajo que implementa la canalización de procesamiento del Agente de Cumplimiento de Documentos (Google).

Analizador de PDF de GCP

Operación Descripción
GCP Controller Verifica el caché en busca de un token de acceso válido e inicializa la canalización de procesamiento.
Generate AccessToken Se autentica en Google Cloud usando credenciales de cuenta de servicio y recupera un token de acceso OAuth2.
Read List of PDFs from Google Cloud Storage Recupera una lista de archivos PDF disponibles desde el bucket de Cloud Storage de origen.
Extract data from PDF using Google Document_AI Envía un archivo PDF a Google Document AI para la extracción de texto OCR.
Extract PII data using Google Vertex_AI Envía el texto extraído al LLM para detectar y extraer datos PII, y luego escribe el resultado en el servidor FTP.
Extract Non_PII data using Google Vertex_AI Envía el texto extraído al LLM para producir una versión sanitizada libre de PII, y luego escribe el resultado en el servidor FTP.
Send File to FTP Escribe una carga útil JSON procesada en el destino del servidor FTP configurado.
Copy PDFs from Google Cloud Storage Copia el PDF procesado del bucket de origen al bucket de archivo.
Delete PDFs from Google Cloud Storage Elimina el PDF procesado del bucket de origen después de que se ha archivado.
Error Notification Envía una notificación por correo electrónico con detalles del error cuando ocurre una falla en el procesamiento.
GCP Controller

La operación GCP Controller sirve como punto de entrada para el flujo de trabajo. Verifica el caché en busca de un token de acceso OAuth2 existente. Si se encuentra un token válido, el flujo de trabajo procede directamente a leer archivos PDF desde Cloud Storage. Si no existe ningún token, la operación activa Generate AccessToken para obtener uno antes de continuar.

Generate AccessToken

La operación Generate AccessToken autentica el agente en Google Cloud usando las credenciales de cuenta de servicio configuradas. Construye un JWT a partir de la clave privada de la cuenta de servicio, lo firma e lo intercambia con el endpoint del token OAuth2 de Google para recuperar un token de acceso. El token se almacena en caché para reutilizarlo en operaciones posteriores.

Leer lista de PDF desde Google Cloud Storage

La operación Read List of PDFs from Google Cloud Storage envía una solicitud HTTP autenticada a la API de Cloud Storage para recuperar una lista de nombres de archivo PDF en el bucket de origen. La operación itera a través de la lista devuelta, activando la canalización de extracción para cada archivo.

Extraer datos de PDF usando Google Document_AI

La operación Extract data from PDF using Google Document_AI envía el archivo PDF a la API de Google Document AI utilizando el procesador configurado. La API devuelve el contenido de texto extraído, que la operación almacena para su uso en los pasos posteriores de análisis de LLM.

Extraer datos PII usando Google Vertex_AI

La operación Extract PII data using Google Vertex_AI envía el texto del documento extraído al modelo Gemini configurado a través de la API de Vertex AI con una solicitud para identificar y extraer información de identificación personal. La respuesta del LLM se analiza y se limpia, luego se pasa a la operación Send File to FTP para entregarla al destino FTP configurado.

Extraer datos Non_PII usando Google Vertex_AI

La operación Extract Non_PII data using Google Vertex_AI envía el texto del documento extraído al modelo Gemini a través de la API de Vertex AI con una solicitud para producir una versión sanitizada con toda la PII eliminada. La respuesta limpia se pasa a la operación Send File to FTP para entregarla al destino FTP configurado.

Enviar archivo a FTP

La operación Send File to FTP escribe la carga útil JSON procesada en el servidor FTP en la ruta configurada por la variable de proyecto FTP_File_Path. Esta operación se llama una vez para la salida PII y una vez para la salida sin PII para cada archivo PDF procesado.

Copiar PDF desde Google Cloud Storage

La operación Copy PDFs from Google Cloud Storage utiliza la API de Cloud Storage para copiar el PDF procesado del bucket de origen al bucket de archivo, creando un registro permanente del archivo procesado.

Eliminar PDF desde Google Cloud Storage

La operación Delete PDFs from Google Cloud Storage envía una solicitud DELETE autenticada a la API de Cloud Storage para eliminar el PDF procesado del bucket de origen después de que se haya archivado correctamente, evitando que se reprocese en ejecuciones posteriores.

Notificación de error

La operación Error Notification construye un correo electrónico de error con el nombre del flujo de trabajo, la marca de tiempo y los detalles del error, luego lo envía a las direcciones configuradas en la variable de proyecto Email_To_Recipients. Después de enviar la notificación, la operación genera el error para detener la ejecución posterior.

Activar los flujos de trabajo del proyecto

Para ejecutar el Agente de cumplimiento de documentos (Google), implementa y ejecuta la operación GCP Controller. En Studio, pasa 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 programas de operación en la operación GCP Controller para ejecutarse 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 con el soporte de Jitterbit.