Ce guide explique comment utiliser le machine learning (ML) pour créer des modèles de détection des fraudes dynamiques, auto-améliorables et faciles à gérer, adaptés aux banques centrales. Alors que vos clients utilisent de plus en plus les outils et services numériques, les activités frauduleuses menées par des acteurs malveillants nécessitent des solutions avancées de détection des fraudes. Ce guide vous permet d'exécuter un traitement automatisé des transactions qui surveille les transactions en devises numériques en temps réel et détecte les activités suspectes afin que vous puissiez prendre des mesures pour prévenir la fraude avant qu'elle ne se produise. Par conséquent, vous pouvez améliorer la sécurité et l'intégrité des monnaies numériques tout en vous efforçant de maintenir votre conformité réglementaire.

Remarque : [Avertissement]

Diagramme d’architecture

[Description du schéma d’architecture]

Télécharger le diagramme d’architecture au format PDF 

Piliers Well-Architected

Le cadre AWS Well-Architected vous permet de comprendre les avantages et les inconvénients des décisions que vous prenez lors de la création de systèmes dans le cloud. Les six piliers du cadre vous permettent d'apprendre les bonnes pratiques architecturales pour concevoir et exploiter des systèmes fiables, sécurisés, efficaces, rentables et durables. Grâce à l'outil AWS Well-Architected Tool, disponible gratuitement dans la console de gestion AWS, vous pouvez examiner vos charges de travail par rapport à ces bonnes pratiques en répondant à une série de questions pour chaque pilier.

Le diagramme d'architecture ci-dessus est un exemple de solution créée en tenant compte des bonnes pratiques Well-Architected. Pour être totalement conforme à Well-Architected, vous devez suivre autant de bonnes pratiques Well-Architected que possible.

  • SageMaker fournit des outils de ML entièrement gérés qui automatisent les flux de travail, de la préparation des données au déploiement et à la surveillance des modèles. Vous n'avez donc plus besoin de gérer une infrastructure de ML complexe. Lambda vous permet d'exécuter du code sans provisionner ni gérer de serveurs, ce qui réduit encore votre charge opérationnelle. En outre, Amazon DynamoDB facilite la récupération et le stockage de données à faible latence, et minimise les tâches administratives. Enfin, AWS Step Functions simplifie l'orchestration de flux de travail complexes et fournit des fonctionnalités intégrées de gestion des erreurs, améliorant ainsi la fiabilité et réduisant le besoin d'interventions manuelles.

    Lire le livre blanc sur l’excellence opérationnelle 
  • AWS Identity and Access Management (IAM) vous permet de mettre en œuvre le principe du moindre privilège, qui n'accorde aux utilisateurs et services autorisés que les autorisations minimales requises pour effectuer les tâches prévues, réduisant ainsi le risque d'accès non autorisé ou d'utilisation abusive accidentelle. Amazon Virtual Private Cloud (Amazon VPC) fournit un environnement logiquement isolé pour les composants constituant ce guide, vous permettant ainsi d'utiliser des groupes de sécurité et des listes de contrôle d'accès réseau pour contrôler le trafic entrant et sortant. En outre, en tant que service sans serveur, Lambda renforce la sécurité en minimisant la surface d'attaque potentielle. Sans avoir à gérer et à sécuriser les serveurs sous-jacents, vous réduisez le risque de vulnérabilités liées à des erreurs de configuration des serveurs ou à des versions logicielles obsolètes.

    Lire le livre blanc sur la sécurité 
  • Lambda adapte automatiquement les ressources de calcul en fonction du trafic entrant afin que votre application puisse gérer les fluctuations de la demande sans intervention manuelle, minimisant ainsi les durées d’indisponibilité. DynamoDB fournit une réplication intégrée sur plusieurs zones de disponibilité, assurant ainsi la redondance et minimisant le risque de perte de données en cas de défaillance de l'infrastructure. Enfin, Step Functions vous aide à créer des flux de travail sans serveur robustes et tolérants aux pannes. Ses fonctionnalités intégrées, telles que les nouvelles tentatives automatiques et la gestion des erreurs, aident les tâches à se rétablir après des défaillances transitoires.

    Lire le livre blanc sur la fiabilité 
  • Lambda permet à votre application d'évoluer de manière fluide et de gérer les fluctuations du trafic sans compromettre les performances. DynamoDB prend en charge l'accès aux données à haut débit et à faible latence, ce qui permet à votre processus de détection des fraudes de fonctionner en temps réel sans perte de performances. En outre, SageMaker automatise et accélère le cycle de développement des modèles de ML, ce qui vous permet d'itérer et d'optimiser les modèles de manière efficace et rapide. Cela permet d'améliorer la précision du modèle et d'améliorer les performances globales de la solution.

    Lire le livre blanc sur l’efficacité des performances 
  • Lambda utilise un modèle informatique sans serveur qui s'adapte à la demande, et vous ne payez que pour le temps de calcul que vous consommez. Cela vous permet d'éviter les coûts associés au surprovisionnement ou à la sous-utilisation des serveurs. DynamoDB élimine le besoin d'administrateurs de base de données dédiés et les coûts associés, et évolue automatiquement pour s'adapter aux fluctuations du trafic sans intervention manuelle. En outre, SageMaker fournit un environnement de ML entièrement géré, réduisant les coûts associés à l'achat et à la maintenance du matériel et des logiciels pour le développement, la formation et le déploiement des modèles.

    Lire le livre blanc sur l’optimisation des coûts 
  • Lambda permet à votre application d'augmenter ou de diminuer automatiquement en fonction de la demande, minimisant ainsi la consommation d'énergie lorsque l'application n'est pas utilisée. SageMaker fournit un environnement de ML géré, réduisant la consommation d'énergie et de ressources nécessaires à la configuration et à la maintenance d'une infrastructure ML dédiée. Enfin, DynamoDB adapte automatiquement les ressources en fonction des modèles de trafic, optimisant ainsi l'utilisation des ressources et minimisant l'impact environnemental du surprovisionnement ou de la sous-utilisation des ressources de base de données.

    Lire le livre blanc sur la durabilité 
[Type de contenu]

[Titre]

Cet [article de blog/ebook/conseil/exemple de code] montre comment [insérer une courte description].

Avis de non-responsabilité

Les exemples de code, les bibliothèques de logiciels, les outils de ligne de commande, les preuves de concept, les modèles ou toute autre technologie connexe (y compris tout ce qui précède qui est fourni par notre personnel) vous sont fournis en tant que contenu AWS en vertu du contrat client AWS ou de l'accord écrit pertinent entre vous et AWS (selon le cas). Vous ne devez pas utiliser ce contenu AWS dans vos comptes de production, ni sur des données de production ou autres données critiques. Vous êtes responsable des tests, de la sécurisation et de l'optimisation du contenu AWS, tel que les exemples de code, comme il convient pour une utilisation en production, en fonction de vos pratiques et normes de contrôle de qualité spécifiques. Le déploiement de contenu AWS peut entraîner des frais AWS pour la création ou l'utilisation de ressources payantes AWS, telles que l'exécution d'instances Amazon EC2 ou l'utilisation du stockage Amazon S3.

Les références à des services ou organisations tiers dans ce guide n'impliquent pas une approbation, un parrainage ou une affiliation entre Amazon ou AWS et le tiers. Les conseils fournis par AWS constituent un point de départ technique, et vous pouvez personnaliser votre intégration avec des services tiers lorsque vous déployez l'architecture.

Cette page vous a-t-elle été utile ?