Detección automatizada de fraudes con tarjetas de crédito en tiempo real
Esta guía le muestra cómo usar el machine learning (ML) para crear modelos de detección de fraudes dinámicos, que se mejoran a sí mismos y sostenibles, diseñados para los bancos centrales. A medida que sus clientes utilizan cada vez más herramientas y servicios digitales, las actividades fraudulentas de actores malintencionados requieren soluciones avanzadas de detección de fraudes. Esta guía le permite poner en marcha una ejecución de transacciones automatizada que supervisa las transacciones en moneda digital en tiempo real y detecta actividades sospechosas para que pueda tomar medidas que prevengan el fraude antes de que ocurra. Como resultado, puede mejorar la seguridad y la integridad de las monedas digitales mientras trabaja para mantener el cumplimiento de la normativa.
Nota: [Descargo de responsabilidad]
Diagrama de la arquitectura
[Descripción del diagrama de arquitectura]
Paso 1
Un bucket de Amazon Simple Storage Service (Amazon S3) contiene un conjunto de datos de muestra de transacciones de tarjetas de crédito.
Paso 2
Una instancia de cuaderno de Amazon SageMaker contiene diferentes modelos de ML que se entrenarán sobre el conjunto de datos.
Paso 3
Una función de AWS Lambda procesa las transacciones del conjunto de datos de muestra e invoca dos puntos de enlace de SageMaker que asignan puntuaciones de anomalía y de clasificación a los puntos de datos entrantes.
Paso 4
Una API de REST de Amazon API Gateway invoca predicciones mediante solicitudes HTTP firmadas.
Paso 5
Una secuencia de entrega de Amazon Data Firehose (servicio sucesor de Kinesis Data Firehose) carga las transacciones procesadas en otro bucket de Amazon S3 para su almacenamiento.
Paso 6
Después de cargar las transacciones en Amazon S3, puede utilizar las herramientas y servicios de análisis, como Amazon QuickSight, para llevar a cabo la visualización, la elaboración de informes, las consultas individuales y un análisis más detallado.
Paso 1
Un bucket de Amazon Simple Storage Service (Amazon S3) contiene un conjunto de datos de muestra de transacciones de tarjetas de crédito.
Paso 2
Una instancia de cuaderno de Amazon SageMaker contiene diferentes modelos de ML que se entrenarán sobre el conjunto de datos.
Paso 3
Una función de AWS Lambda procesa las transacciones del conjunto de datos de muestra e invoca dos puntos de enlace de SageMaker que asignan puntuaciones de anomalía y de clasificación a los puntos de datos entrantes.
Paso 4
Una API de REST de Amazon API Gateway invoca predicciones mediante solicitudes HTTP firmadas.
Paso 5
Una secuencia de entrega de Amazon Data Firehose (servicio sucesor de Kinesis Data Firehose) carga las transacciones procesadas en otro bucket de Amazon S3 para su almacenamiento.
Paso 6
Después de cargar las transacciones en Amazon S3, puede utilizar las herramientas y servicios de análisis, como Amazon QuickSight, para llevar a cabo la visualización, la elaboración de informes, las consultas individuales y un análisis más detallado.
Comenzar
Pilares de AWS Well-Architected Framework
AWS Well-Architected Framework le permite comprender las ventajas y desventajas de las decisiones que tome durante la creación de sistemas en la nube. Los seis pilares de este marco permiten aprender las prácticas recomendadas arquitectónicas para diseñar y explotar sistemas confiables, seguros, eficientes, rentables y sostenibles. Con la Herramienta de AWS Well-Architected, que se encuentra disponible gratuitamente en la Consola de administración de AWS, puede revisar sus cargas de trabajo con respecto a estas prácticas recomendadas al responder a un conjunto de preguntas para cada pilar.
El diagrama de arquitectura mencionado es un ejemplo de una solución que se creó teniendo en cuenta las prácticas recomendadas de una buena arquitectura. Para tener completamente una buena arquitectura, debe seguir todas las prácticas recomendadas de buena arquitectura posibles.
-
Excelencia operativaLea el documento técnico sobre excelencia operativa
SageMaker proporciona herramientas de machine learning completamente administradas que automatizan los flujos de trabajo, desde la preparación de datos hasta la implementación y la supervisión de modelos. Esto elimina la necesidad de administrar una infraestructura de machine learning compleja. Lambda le permite poner en marcha código sin aprovisionar ni administrar servidores, lo que reduce aún más la carga operativa. Además, Amazon DynamoDB facilita el almacenamiento y la recuperación de datos de baja latencia y minimiza las tareas administrativas. Por último, AWS Step Functions simplifica la orquestación de flujos de trabajo complejos y proporciona funciones integradas de gestión de errores, lo que mejora la fiabilidad y reduce la necesidad de intervención manual.
-
SeguridadLea el documento técnico sobre seguridad
AWS Identity and Access Management (IAM) le permite implementar el principio de privilegio mínimo, que otorga a los usuarios y servicios autorizados solo los permisos mínimos necesarios para llevar a cabo las tareas previstas, lo que reduce el riesgo de acceso no autorizado o uso indebido accidental. Amazon Virtual Private Cloud (Amazon VPC) proporciona un entorno lógicamente aislado para los componentes que figuran en esta guía, lo que le permite usar grupos de seguridad y listas de control de acceso a la red para controlar el tráfico entrante y saliente. Además, como servicio sin servidor, Lambda mejora la seguridad, pues minimiza la posible superficie expuesta a ataques. Puesto que no es necesario administrar ni proteger los servidores subyacentes, se reduce el riesgo de que se produzcan vulnerabilidades debido a configuraciones incorrectas de los servidores o versiones de software desactualizadas.
-
FiabilidadLea el documento técnico sobre fiabilidad
Lambda escala automáticamente los recursos de computación en función del tráfico entrante, de modo que su aplicación pueda gestionar las fluctuaciones de la demanda sin intervención manual, lo que minimiza el tiempo de inactividad. DynamoDB proporciona replicación integrada en varias zonas de disponibilidad, lo que proporciona redundancia y minimiza el riesgo de pérdida de datos debido a errores en la infraestructura. Por último, Step Functions le permite crear flujos de trabajo sin servidor resistentes y tolerantes a errores. Sus características integradas, como los reintentos automáticos y la gestión de errores, permiten que las tareas se recuperen de errores transitorios.
-
Eficiencia en el rendimientoLea el documento técnico sobre eficacia del rendimiento
Lambda permite que su aplicación se escale sin problemas y gestione las fluctuaciones del tráfico sin poner en riesgo el rendimiento. DynamoDB admite el acceso a datos de alto rendimiento y baja latencia, lo que permite que su proceso de detección de fraudes funcione en tiempo real sin obstáculos en el rendimiento. Además, SageMaker automatiza y acelera el ciclo de vida del desarrollo de modelos de machine learning, lo que le permite iterar y refinar los modelos de forma rápida y eficiente. Esto mejora la precisión del modelo y el rendimiento general de la solución.
-
Optimización de costosLea el documento técnico sobre optimización de cosos
Lambda usa un modelo de computación sin servidor que se escala para adaptarse a la demanda y solo paga por el tiempo de procesamiento que consume. Esto le permite evitar los costos asociados con el sobreaprovisionamiento o la infrautilización de los servidores. DynamoDB elimina la necesidad de tener administradores de bases de datos dedicados, así como los costos asociados. Además, se escala automáticamente para adaptarse a las fluctuaciones del tráfico sin intervención manual. Además, SageMaker proporciona un entorno de machine learning completamente administrado, lo que reduce los costos asociados con la adquisición y el mantenimiento del hardware y del software para el desarrollo, la formación y la implementación de modelos.
-
SostenibilidadLea el documento técnico sobre sostenibilidad
Lambda permite que su aplicación se escale o desescale verticalmente de forma automática según la demanda, lo que minimiza el consumo de energía cuando la aplicación no está en uso. SageMaker proporciona un entorno de machine learning administrado que reduce el consumo de energía y recursos necesario para configurar y mantener una infraestructura de machine learning dedicada. Por último, DynamoDB escala automáticamente los recursos en función de los patrones de tráfico, lo que optimiza el uso de los recursos y minimiza el impacto ambiental del sobreaprovisionamiento o la infrautilización de los recursos de la base de datos.
Contenido relacionado
[Título]
Descargo de responsabilidad
El código de muestra; las bibliotecas de software; las herramientas de línea de comandos; las pruebas de concepto; las plantillas; o cualquier otra tecnología relacionada (incluida cualquiera de las anteriores que proporcione nuestro personal) se brinda como contenido de AWS bajo el Contrato de cliente de AWS, o el contrato escrito pertinente entre usted y AWS (lo que sea aplicable). No debe utilizar este contenido de AWS en sus cuentas de producción, ni en producción ni en otros datos críticos. Es responsable de probar, proteger y optimizar el contenido de AWS, como el código de muestra, según corresponda para el uso de grado de producción en función de sus prácticas y estándares de control de calidad específicos. La implementación de contenido de AWS puede incurrir en cargos de AWS por crear o utilizar recursos con cargo de AWS, como ejecutar instancias de Amazon EC2 o utilizar el almacenamiento de Amazon S3.
Las referencias a servicios u organizaciones de terceros en esta Guía no implican un respaldo, patrocinio o afiliación entre Amazon o AWS y el tercero. La orientación de AWS es un punto de partida técnico, y puede personalizar su integración con servicios de terceros al implementar la arquitectura.