概览
工作原理
此架构图显示了如何使用示例信用卡交易数据集来训练自学机器学习模型，该模型可以识别欺诈模式，从而使您可以自动进行欺诈检测和警报。
自信地进行部署
为部署做好准备了吗？ 查看 GitHub 上的示例代码，了解详细的部署说明，以根据需要按原样部署或进行自定义部署。
Well-Architected 支柱
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
SageMaker 提供完全托管的 ML 工具，可自动执行从数据准备到模型部署和监控的工作流程。这使您无需管理复杂 ML 基础设施。Lambda 让您无需配置或管理服务器即可运行代码，进一步减轻了您的运营负担。此外，Amazon DynamoDB 促进了低延迟的数据存储和检索，并最大限度地减少了管理任务。最后，AWS Step Fun ctions 简化了复杂工作流程的编排，并提供了内置的错误处理功能，从而增强了可靠性并减少了对手动干预的需求。
AWS 身份和访问管理 (IAM) 允许您实施最低权限原则，该原则仅向授权用户和服务授予执行预期任务所需的最低权限，从而降低未经授权的访问或意外滥用的风险。亚马逊虚拟私有云 (Amazon VPC) 为组成本指南的组件提供了逻辑隔离的环境，允许您使用安全组和网络访问控制列表来控制入站和出站流量。此外，作为一项无服务器服务，Lambda 通过最小化潜在攻击面来增强安全性。无需管理和保护底层服务器，即可降低与服务器配置错误或软件版本过时相关的漏洞风险。
Lambda 可根据传入流量自动扩展计算资源，这就使您的应用程序无需人工干预即可处理需求波动，从而最大限度地减少停机时间。DynamoDB 提供跨多个可用区的内置复制功能，从而提供冗余并最大限度地降低因基础设施故障导致数据丢失的风险。最后，Step Functions 可帮助您创建强大且容错的无服务器工作流。其内置功能（如自动重试和错误处理）可帮助任务从暂时故障中恢复。
Lambda 使您的应用程序能够在不影响性能的情况下无缝扩展并处理流量波动。DynamoDB 支持高吞吐量和低延迟数据访问，使您的欺诈检测过程能够实时运行，不会出现性能瓶颈。此外，SageMaker 自动执行并加速机器学习模型开发生命周期，使您能够高效、快速地迭代和微调模型。这可以提高模型准确性以及整体解决方案性能。
Lambda 使用可扩展以满足需求的无服务器计算模型，您只需为消耗的计算时间付费。这可以帮助您避免与服务器过度预置或利用不足相关的成本。DynamoDB 无需专门的数据库管理员，也无需支付相关费用，而且它可以自动扩展以适应流量的波动，无需人工干预。此外，SageMaker 还提供完全托管的机器学习环境，降低了为模型开发、培训和部署采购和维护硬件和软件的相关成本。
Lambda 使您的应用程序能够根据需求自动向上或向下扩展，从而最大限度地减少不使用应用程序时的能耗。 SageMaker 提供托管的机器学习环境，减少了设置和维护专用 ML 基础设施所需的能源和资源消耗。最后，DynamoDB 会根据流量模式自动扩展资源，优化资源使用并最大限度地减少过度配置或未充分利用数据库资源对环境的影响。
免责声明
示例代码；软件库；命令行工具；概念验证；模板；或其他相关技术（包括由我方人员提供的任何前述项）作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议（以适用者为准）向您提供。您不应将这些 AWS 内容用在您的生产账户中，或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容，例如示例代码，以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源（例如，运行 Amazon EC2 实例或使用 Amazon S3 存储）而产生 AWS 费用。
本指南中提及第三方服务或组织并不意味着 Amazon 或 AWS 与第三方之间存在认可、赞助或从属关系。AWS 的指南是一个技术起点，您可以在部署架构时自定义与第三方服务的集成。
找到今天要查找的内容了吗？
请提供您的意见，以便帮助我们提高页面内容的质量