Betrugserkennung mithilfe von Machine Learning

Betrugserkennung mithilfe von 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.

Verwenden Sie diese Anleitung, um die Erkennung potenziell betrügerischer Aktivitäten zu automatisieren und diese Aktivität zur Überprüfung zu markieren. Betrugserkennung mithilfe von Machine Learning ist einfach bereitzustellen und enthält einen Beispieldatensatz, aber Sie können den Code so ändern, dass er mit jedem Datensatz funktioniert.

Übersicht

Betrugserkennung mit Machine Learning ermöglicht es Ihnen, eine automatisierte Transaktionsverarbeitung auf einem Beispieldatensatz oder Ihrem eigenen Datensatz auszuführen. Das enthaltene ML-Modell erkennt potenziell betrügerischer Aktivitäten und kennzeichnet sie zur Überprüfung. Das folgende Diagramm zeigt die Architektur, die Sie mit dem Beispielcode auf GitHub erstellen können.

Betrugserkennung mit Machine Learning | Architekturdiagramm

Zum Vergrößern anklicken

Architektur von Betrugserkennung mit Mac

Der Code stellt die folgende Infrastruktur bereit:

Ein Amazon Simple Storage Service (Amazon S3)-Bucket mit einem Beispieldatensatz von Kreditkartentransaktionen.
Eine Amazon-SageMaker-Notebook-Instance mit verschiedenen ML-Modellen, die auf dem Datensatz trainiert werden.
Eine AWS-Lambda-Funktion, die Transaktionen aus dem Beispieldatensatz verarbeitet und die beiden Amazon-SageMaker-Endpunkte aufruft, die eingehenden Datenpunkten Anomalie- und Klassifizierungsbewertungen zuweisen.
Eine REST-API von Amazon API Gateway ruft Prognosen mithilfe von signierten HTTP-Anforderungen auf.
Ein Bereitstellungsdatenstrom von Amazon Kinesis Data Firehose lädt die verarbeiteten Transaktionen in einen anderen Amazon-S3-Bucket zur Speicherung.

Die Anleitung enthält auch ein Beispiel dafür, wie die Vorhersage-REST-API als Teil des Amazon Sagemaker-Notebooks aufgerufen wird.

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.

Weitere Informationen

Weniger anzeigen