- AWS-Lösungsportfolio›
- Anleitung zur Betrugserkennung mithilfe von Machine Learning in AWS
Anleitung zur Betrugserkennung mithilfe von Machine Learning in AWS
Automatisierte Erkennung von Kreditkartenbetrug in Echtzeit
Übersicht
Funktionsweise
Dieses Architekturdiagramm zeigt, wie Sie anhand eines Beispieldatensatzes für Kreditkartentransaktionen ein selbstlernendes ML-Modell trainieren, das Betrugsmuster erkennen kann, sodass Sie Betrugserkennung und Warnmeldungen automatisieren können.
Mit Zuversicht bereitstellen
Bereit zum Bereitstellen? Sehen Sie sich den Beispielcode in GitHub an, um detaillierte Bereitstellungsanweisungen zu erhalten, mit denen Sie den Code unverändert bereitstellen oder an Ihre Anforderungen anpassen können.
Well-Architected-Säulen
Das obige Architekturdiagramm ist ein Beispiel für eine Lösung, die unter Berücksichtigung der bewährten Methoden von Well-Architected erstellt wurde. Um eine vollständige Well-Architected-Lösung zu erhalten, sollten Sie so viele bewährte Methoden von Well-Architected wie möglich befolgen.
SageMaker bietet vollständig verwaltete ML-Tools, die Workflows automatisieren, von der Datenaufbereitung bis hin zur Modellbereitstellung und Überwachung. Dadurch müssen Sie keine komplexe ML-Infrastruktur verwalten. Mit Lambda können Sie Code ausführen, ohne Server bereitzustellen oder zu verwalten, was Ihren betrieblichen Aufwand weiter reduziert. Darüber hinaus ermöglicht Amazon DynamoDB das Speichern und Abrufen von Daten mit niedriger Latenz und minimiert Verwaltungsaufgaben. Schließlich vereinfacht AWS Step Functions die Orchestrierung komplexer Workflows und bietet integrierte Funktionen zur Fehlerbehandlung, wodurch die Zuverlässigkeit erhöht und der Bedarf an manuellen Eingriffen reduziert wird.
Mit AWS Identity and Access Management (IAM) können Sie das Prinzip der geringsten Rechte implementieren, das autorisierten Benutzern und Diensten nur die Mindestberechtigungen gewährt, die für die Ausführung ihrer beabsichtigten Aufgaben erforderlich sind, wodurch das Risiko eines unbefugten Zugriffs oder versehentlichem Missbrauch verringert wird. Amazon Virtual Private Cloud (Amazon VPC) bietet eine logisch isolierte Umgebung für die Komponenten, aus denen sich diese Anleitung zusammensetzt, sodass Sie Sicherheitsgruppen und Netzwerkzugriffskontrolllisten verwenden können, um den eingehenden und ausgehenden Verkehr zu kontrollieren. Darüber hinaus erhöht Lambda als Serverless-Service die Sicherheit, indem es die potenzielle Angriffsfläche minimiert. Ohne die zugrunde liegenden Server verwalten und sichern zu müssen, reduzieren Sie das Risiko von Sicherheitslücken im Zusammenhang mit Server-Fehlkonfigurationen oder veralteten Softwareversionen.
Lambda skaliert die Rechenressourcen automatisch auf der Grundlage des eingehenden Datenverkehrs, sodass Ihre Anwendung Bedarfsschwankungen ohne manuelles Eingreifen bewältigen kann und Ausfallzeiten minimiert werden. DynamoDB bietet integrierte Replikation über mehrere Availability Zones hinweg, sorgt für Redundanz und minimiert das Risiko von Datenverlusten aufgrund von Infrastrukturausfällen. Schließlich hilft Ihnen Step Functions dabei, robuste und fehlertolerante Serverless-Workflows zu erstellen. Die integrierten Feature, wie automatische Wiederholungsversuche und Fehlerbehandlung, helfen Aufgaben bei der Wiederherstellung vorübergehender Fehler.
Lambda ermöglicht es Ihrer Anwendung, nahtlos zu skalieren und Schwankungen im Datenverkehr zu bewältigen, ohne die Leistung zu beeinträchtigen. DynamoDB unterstützt einen hohen Durchsatz und einen Datenzugriff mit niedriger Latenz, sodass Ihr Betrugserkennungsprozess in Echtzeit ohne Leistungsengpässe ablaufen kann. Darüber hinaus automatisiert und beschleunigt SageMaker den Lebenszyklus der ML-Modellentwicklung, sodass Sie Modelle effizient und schnell iterieren und optimieren können. Dies führt zu einer verbesserten Modellgenauigkeit und verbessert die Gesamtleistung der Lösung.
Lambda verwendet ein serverloses Rechenmodell, das je nach Bedarf skaliert wird, und Sie zahlen nur für die Rechenzeit, die Sie in Anspruch nehmen. Auf diese Weise können Sie die Kosten vermeiden, die mit einer Überversorgung oder einer unzureichenden Auslastung von Servern verbunden sind. DynamoDB macht dedizierte Datenbankadministratoren und die damit verbundenen Kosten überflüssig und skaliert automatisch, um Schwankungen des Datenverkehrs ohne manuelles Eingreifen zu berücksichtigen. Darüber hinaus bietet SageMaker eine vollständig verwaltete ML-Umgebung, wodurch die Kosten reduziert werden, die mit der Beschaffung und Wartung von Hard- und Software für die Modellentwicklung, Schulung und Bereitstellung verbunden sind.
Lambda ermöglicht es Ihrer Anwendung, je nach Bedarf automatisch nach oben oder unten zu skalieren, wodurch der Energieverbrauch minimiert wird, wenn die Anwendung nicht verwendet wird. SageMaker bietet eine verwaltete ML-Umgebung, die den Energie- und Ressourcenverbrauch reduziert, der für die Einrichtung und Wartung einer dedizierten ML-Infrastruktur erforderlich ist. Schließlich skaliert DynamoDB automatisch Ressourcen auf der Grundlage von Datenverkehrsmustern, optimiert so die Ressourcennutzung und minimiert die Umweltauswirkungen einer zu hohen oder zu geringen Auslastung von Datenbankressourcen.
Haftungsausschluss
Der Beispielcode, die Softwarebibliotheken, die Befehlszeilentools, die Machbarkeitsnachweise, die Vorlagen oder andere zugehörige Technologien (einschließlich derjenigen, die von unseren Mitarbeitern bereitgestellt werden) werden Ihnen als AWS-Inhalte im Rahmen der AWS-Kundenvereinbarung oder der entsprechenden schriftlichen Vereinbarung zwischen Ihnen und AWS (je nachdem, was zutrifft) zur Verfügung gestellt. Sie sollten diese AWS-Inhalte nicht in Ihren Produktionskonten oder für Produktions- oder andere kritische Daten verwenden. Sie sind verantwortlich für das Testen, Sichern und Optimieren des AWS-Inhalts, z. B. des Beispielcodes, für die Verwendung in der Produktion auf der Grundlage Ihrer spezifischen Qualitätskontrollverfahren und -standards. Bei der Bereitstellung von AWS-Inhalten können AWS-Gebühren für die Erstellung oder Nutzung von kostenpflichtigen AWS-Ressourcen anfallen, z. B. für den Betrieb von Amazon-EC2-Instances oder die Nutzung von Amazon-S3-Speicher.
Verweise auf Services oder Organisationen von Drittanbietern in diesen Leitlinien bedeuten nicht, dass Amazon oder AWS eine Billigung, Förderung oder Zugehörigkeit zwischen Amazon oder AWS und dem Drittanbieter darstellt. Die Beratung durch AWS ist ein technischer Ausgangspunkt, und Sie können Ihre Integration mit Services von Drittanbietern anpassen, wenn Sie die Architektur bereitstellen.
Haben Sie die gewünschten Informationen gefunden?
Ihr Beitrag hilft uns, die Qualität der Inhalte auf unseren Seiten zu verbessern.