Amazon presenta un pipeline con Nova, SAM 3 y Textract para ocultar automáticamente datos personales en imágenes

El blog de AWS Machine Learning ha presentado un pipeline de varios pasos para ocultar automáticamente datos personales en imágenes, controlado por el modelo Amazon Nova.

Cómo funciona el pipeline

La base de la solución es el razonamiento visual contextual de Amazon Nova, que coordina varias herramientas complementarias en lugar de depender de un único algoritmo universal. Nova dirige las solicitudes a dos sistemas especializados y combina sus resultados en un único proceso de edición de la imagen.

• Orquestador del pipeline — Amazon Nova, razonamiento visual contextual
• Segmentación — el modelo abierto Segment Anything Model (SAM 3) de Meta
• Dónde se despliega SAM 3 — en Amazon SageMaker AI, segmentación a nivel de píxel
• Reconocimiento de texto — Amazon Textract, reconocimiento óptico de caracteres (OCR)
• Casos difíciles — huellas dactilares, documentos de identidad, matrículas en cualquier orientación

Por qué hacen falta dos herramientas adicionales

SAM 3 de Meta se encarga de la segmentación a nivel de píxel: delimita con precisión las zonas de la imagen que hay que ocultar, incluso objetos poco habituales como una huella dactilar en un documento. Amazon Textract, por su parte, reconoce el texto de la imagen y localiza fragmentos como números de documento o firmas que la segmentación por forma de objeto podría pasar por alto. Nova une ambas fuentes de señal en una única decisión sobre qué zonas editar, de modo que el resultado sea completo y cumpla la normativa.

Los autores subrayan que el pipeline está pensado para casos raros y difíciles: imágenes en las que los datos personales no siguen una plantilla estándar, porque aparecen en ángulo, parcialmente tapados o pertenecen a tipos de datos atípicos, como las huellas dactilares.

Qué significa

La combinación del razonamiento visual de Nova con la segmentación abierta de SAM 3 y el motor OCR de Textract muestra que los pipelines modernos de cumplimiento normativo se construyen cada vez más no sobre un solo modelo, sino sobre la orquestación de varios sistemas especializados, cada uno de los cuales cubre su propia clase de errores.