Für was verwendet man diese AWS-Lösungsimplementierung?

Fraud Detection Using Machine Learning stellt ein Machine Learning (ML)-Modell und einen Beispieldatensatz von Kreditkartentransaktionen bereit, um das Modell zur Erkennung der Betrugsmuster zu schulen. Das Modell ist selbstlernend und somit kann sich an neue, unbekannte Betrugsmuster anpassen.

Sie können diese Lösungsimplementierung verwenden, um die Erkennung potenziell betrügerischer Aktivitäten und das Kennzeichnen dieser Aktivität zur Überprüfung zu automatisieren. Die Lösungsimplementierung ist einfach bereitzustellen und enthält einen Beispieldatensatz, aber Sie können die Lösungsimplementierung so modifizieren, dass sie mit jedem beliebigen Datensatz funktioniert.

Übersicht über die AWS-Lösungsimplementierung

Fraud Detection Using Machine Learning ermöglicht es Ihnen, eine automatisierte Transaktionsverarbeitung auf einem Beispieldatensatz oder Ihrem eigenen Datensatz durchzuführen. Das enthaltene ML-Modell erkennt potenziell betrügerischer Aktivitäten und kennzeichnet sie zur Überprüfung. Das folgende Diagramm zeigt die Architektur, die Sie mithilfe des Einführungsleitfadens der Lösung und der dazugehörigen AWS CloudFormation-Vorlage automatisch bereitstellen können.

Fraud Detection Using Machine Learning | Architekturdiagramm
 Zum Vergrößern anklicken

Architektur von Fraud Detection Using Machine Learning

Diese Lösung umfasst eine AWS CloudFormation-Vorlage, die einen Beispieldatensatz der in einem Amazon Simple Storage Service (Amazon S3)-Bucket enthaltenen Kreditkartentransaktionen und einen Amazon SageMaker-Endpunkt mit einem ML-Modell bereitstellt, das auf dem Datensatz geschult wird.

Die Lösung setzt auch eine Amazon CloudWatch Events-Regel ein, die so konfiguriert ist, dass sie jede Minute ausgeführt wird. Nach dieser Regelkonfiguration wird eine AWS Lambda-Funktion ausgelöst, die Transaktionen aus dem Beispieldatensatz verarbeitet, und der Amazon SageMaker-Endpunkt aufgerufen, der auf Grundlage des geschulten ML-Modells voraussagt, ob diese Transaktionen betrügerisch sind. Ein Amazon Kinesis Data Firehose-Bereitstellungsstream lädt die verarbeiteten Transaktionen in einen anderen Amazon S3-Bucket zur Speicherung.

Nachdem die Transaktionen in Amazon S3 geladen wurden, können Sie Analysetools und -dienste verwenden, einschließlich Amazon QuickSight, für Visualisierung, Berichterstellung, Ad-hoc-Abfragen und detailliertere Analysen.

Standardmäßig ist die Lösung so konfiguriert, dass sie die Transaktionen aus dem Beispieldatensatz verarbeitet. Um Ihren eigenen Datensatz zu verwenden, müssen Sie die Lösung modifizieren. Weitere Informationen finden Sie im Bereitstellungsleitfaden.

Fraud Detection Using Machine Learning

Version 2
Letzte Aktualisierung: 05/2020
Autor: AWS

Geschätzte Bereitstellungszeit: 5 Minuten

Verwenden Sie die Schaltfläche unten, um Lösungsaktualisierungen zu abonnieren.

Hinweis: Um RSS-Aktualisierungen zu abonnieren, muss für den von Ihnen verwendeten Browser ein RSS-Plugin aktiviert sein. 

Funktionen

Anpassbar

Diese Lösung enthält einen Beispieldatensatz der Kreditkartentransaktionen, aber Sie können die Lösung so modifizieren, dass Sie Ihren eigenen Datensatz verwenden.

Automatisierung

Erkennen Sie potenziell betrügerische Aktivitäten und kennzeichnen Sie diese Aktivität zur Überprüfung mit einem vorgefertigten, selbstlernenden ML-Modell.
Entwickeln (Symbol)
Selbst eine Lösung bereitstellen

Durchsuchen Sie unsere Bibliothek der AWS-Lösungsimplementierungen, um Antworten auf häufige Architekturprobleme zu erhalten.

Weitere Informationen 
Einen APN-Partner suchen
Einen APN-Partner suchen

Finden Sie Beratungs- und Technologiepartner mit AWS-Zertifizierung, die Ihnen den Einstieg erleichtern.

Weitere Informationen 
Erkunden (Symbol)
Beratungsangebote für Lösungen erkunden

Durchsuchen Sie unser Portfolio mit Beratungsangeboten, um AWS-geprüfte Hilfe mit Lösungsbereitstellung zu erhalten.

Weitere Informationen