企業可用 Amazon Nova 2 Lite 统籌多工具，自動找出並遮蔽影像中的個人可識別資訊（PII），降低共享或訓練模型時的合規風險。此流程結合 SAM 3 精準分割與 Amazon Textract OCR，兼顧像素級準確與影像可用性。
GDPR 與 PCI DSS 要求嚴格，影像中的邊角臉孔、反射與傾斜證件常逃過單一遮罩工具。以 Nova 為中樞的多步驟管線能在情境脈絡中判別何者屬 PII，並只遮蔽敏感像素，避免破壞資料價值。
這對房仲的影像分享與合規實務有什麼幫助？
房仲在跨部門、對外合作或訓練電腦視覺模型時，可透過此解法降低 PII 外洩與合規風險。General Data Protection Regulation（GDPR）與 Payment Card Industry Data Security Standard（PCI DSS）皆對 PII 處理設有限制。以 Amazon Nova 為中樞，能在上架照、帶看實景或批量影像資料中，自動檢出並遮蔽臉孔、車牌與文件資訊，兼顧可用性與合規。
工作流程如何運作，核心服務各扮演什麼角色？
整體結論是以 Nova 2 Lite 做決策中樞，並行驅動「視覺」與「文字」兩條子流程。Amazon Nova 是多模態基模，能理解影像語境；Meta 的 Segment Anything Model（SAM 3）負責像素級分割；Amazon Textract 負責 OCR 與座標輸出；AWS Step Functions 串控流程，S3、EventBridge、Lambda 處理觸發與遮蔽。下表彙整角色：
| 服務/模型 | 角色與用途 |
|---|---|
| Amazon Nova 2 Lite（Amazon Bedrock） | 中樞協調與情境判斷，決定是否含 PII、分類為文字/視覺並分流 |
| SAM 3（SageMaker AI 部署） | 產出視覺物件的像素級 segmentation mask，用於精準遮蔽 |
| Amazon Textract | 擷取影像中文字與其座標（方框或多邊形），供 PII 判定與遮蔽 |
| Amazon S3 | 影像上傳、存放與流程輸入/輸出資料夾管理 |
| Amazon EventBridge | 依 S3 事件觸發工作流程 |
| AWS Step Functions | 協調各步驟並可並行執行文字與視覺流程 |
| AWS Lambda | 合併座標並執行實際遮蔽作業 |
要處理臉孔、車牌與文件文字，實際步驟怎麼走？
步驟設計重點是「先判斷、再分流、最後精準遮蔽」。1) 影像上傳至 S3 input/ 後由 EventBridge 觸發 Step Functions。2) 驗證檔型，Nova 先行初判是否含 PII；若無，直接移至 S3 noPII/ 並結束，避免不必要的 Textract 或 SAM 3 成本。3) 若含 PII，Nova 將其分類為文字、視覺或兩者並行。4) 視覺流程由 SAM 3 產出目標等高線遮罩，只抹除敏感像素，保留周邊內容。5) 文字流程由 Textract 擷取字元與座標，Nova 以影像脈絡判定哪些組合構成 PII，回傳需遮蔽區域。
哪些資訊被視為影像中的 PII，文字與視覺如何分工？
常見影像 PII 可分兩類：「文字型」與「視覺型」。文字型包含：姓名、識別號（如駕照號）、地址、電話、資產資訊（如 MAC 位址）、不動產/資產識別號（如車輛 VIN）。視覺型包含：個人特徵（如人臉）與生物特徵（如指紋）。Nova 先總覽影像內容，再將影像分派至對應子流程：文字型由 Textract 擷取並交由 Nova 依情境判斷敏感度；視覺型由 SAM 3 產生像素級遮罩，實現精準去識別並最大化保留非敏感畫面。
我需要什麼先決條件與成本考量？
落地此解法需具備 AWS 帳戶與對下列服務的基本熟悉：Amazon Bedrock、Amazon SageMaker AI、Amazon S3、AWS Lambda、AWS Step Functions、Amazon EventBridge、Amazon Textract；並在所選區域可存取 Nova 2 Lite，且於 SageMaker AI 部署 SAM 3。AWS 官方並提示將產生 S3、Lambda、Step Functions、SageMaker AI 端點、Bedrock API、Textract API 等費用，啟用前應先了解各區定價與資源建立影響。
資料來源：AWS Machine Learning — 原文連結
原始來源： https://aws.amazon.com/blogs/machine-learning/automatically-redact-pii-in-images-with-amazon-nova/
