Wozu dient 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.
Architektur von Fraud Detection Using Machine Learning
Diese Lösung umfasst eine AWS CloudFormation-Vorlage, die einen Beispieldatensatz von Kreditkartentransaktionen bereitstellt, der in einem Amazon Simple Storage Service (Amazon S3-Bucket) enthalten ist, sowie eine Amazon SageMaker Notebook-Instance, die ein beaufsichtigtes und ein unbeaufsichtigtes Lernmodell auf dem Datensatz trainiert und zwei Endpunkte bereitstellt.
Innerhalb des Notizbuches der Lösung wird auf der Grundlage der Beispieldaten ein kontinuierlicher Strom von Vorhersageanfragen generiert. Die generierten Anforderungen lösen eine AWS Lambda-Funktion aus, die Transaktionen aus dem Beispieldatensatz verarbeitet und die beiden Amazon SageMaker-Endpunkte aufruft. Die Endpunkte weisen einen Anomalie-Score zu und sagen auf der Grundlage der trainierten ML-Modelle voraus, 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
Bereitstellungsressourcen
Hinweis: Um RSS-Aktualisierungen zu abonnieren, muss für den von Ihnen verwendeten Browser ein RSS-Plug-in aktiviert sein.
Funktionen
Anpassbar
Automatisierung
Durchsuchen Sie unsere Bibliothek der AWS-Lösungsimplementierungen, um Antworten auf häufige Architekturprobleme zu erhalten.
Finden Sie Beratungs- und Technologiepartner mit AWS-Zertifizierung, die Ihnen den Einstieg erleichtern.
Durchsuchen Sie unser Portfolio mit Beratungsangeboten, um AWS-geprüfte Hilfe mit Lösungsbereitstellung zu erhalten.