Fraud Detection Using Machine Learning implementa un modelo de machine learning (ML) y un ejemplo de conjunto de datos de transacciones de tarjetas de crédito a fin de entrenar al modelo para que reconozca patrones de fraude. Se trata de un modelo de aprendizaje autónomo que permite adaptarse a nuevos y desconocidos patrones de fraude.

Puede utilizar la implementación de esta orientación para automatizar la detección de una actividad potencialmente fraudulenta y la señalización de esa actividad para su revisión. Fraud Detection Using Machine Learning es fácil de implementar e incluye un conjunto de datos de muestra, pero el código se puede modificar para que funcione con cualquier conjunto de datos.

Información general

Fraud Detection Using Machine Learning le permite llevar a cabo el procesamiento automatizado de transacciones en un conjunto de datos de ejemplo o en su propio conjunto de datos. El modelo de ML incluido detecta la actividad potencialmente fraudulenta e indica esa actividad para su revisión. El siguiente diagrama presenta la arquitectura que puede crear mediante el código de muestra en GitHub.

Fraud Detection Using Machine Learning | Diagrama de arquitectura
 Haga clic para ampliar

Arquitectura de Fraud Detection Using Machine Learning

El código implementa la siguiente infraestructura:

  1. Un bucket de Amazon Simple Storage Service (Amazon S3) que contiene un conjunto de datos de muestra de transacciones de tarjetas de crédito.
  2. Una instancia de cuaderno de Amazon SageMaker con diferentes modelos de ML que se entrenarán sobre el conjunto de datos.
  3. Una función de AWS Lambda que procesa las transacciones del conjunto de datos de muestra e invoca los dos puntos de conexión de Amazon SageMaker que asignan puntuaciones de anomalía y puntuaciones de clasificación a los puntos de datos entrantes.
  4. Una API REST de Amazon API Gateway invoca predicciones mediante solicitudes HTTP firmadas.
  5. Una secuencia de entrega de Amazon Kinesis Data Firehose carga las transacciones procesadas en otro bucket de Simple Storage Service (Amazon S3) para su almacenamiento.
La orientación también proporciona un ejemplo de cómo invocar la API REST de predicción como parte del cuaderno de Amazon Sagemaker.
 
Después de cargar las transacciones en Simple Storage Service (Amazon S3), puede utilizar las herramientas y servicios de análisis, incluido Amazon QuickSight, para la visualización, la elaboración de informes, las consultas ad hoc y un análisis más detallado.

Fraud Detection Using Machine Learning

Versión 2.0.0
Última actualización: 01/2022
Autor: AWS

Características

Personalización

Esta guía incluye un ejemplo de conjunto de datos de transacciones de tarjetas de crédito, pero puede modificar la solución para utilizar su propio conjunto de datos.

Automation

Detecte actividades potencialmente fraudulentas y indique esa actividad para su revisión con un modelo de ML preconstruido y de aprendizaje automático.
Video
Solving with AWS Solutions: Fraud Detection Using Machine Learning
Volver arriba 
Icono de creación
Implemente usted mismo una solución

Consulte nuestra biblioteca de Implementaciones de soluciones de AWS para obtener respuestas a problemas de arquitectura comunes.

Más información 
Buscar un socio de APN
Buscar un socio de APN

Encuentre socios consultores y tecnológicos certificados por AWS que lo ayudarán a comenzar.

Más información 
Ícono de exploración
Explore las ofertas de asesoramiento sobre soluciones

Explore nuestra cartera de ofertas de asesoramiento para obtener ayuda autorizada por AWS con la implementación de la solución.

Más información