Fraud Detection Using Machine Learning déploie un modèle de machine learning (ML) et un exemple d'ensemble de données de transactions par carte bancaire afin d'entraîner le modèle à reconnaître les pratiques frauduleuses. Le modèle apprend par lui-même, ce qui lui permet de s'adapter aux nouvelles pratiques frauduleuses qu'il ne connaît pas.

Utilisez cette solution pour automatiser la détection d'activités potentiellement frauduleuses, ainsi que pour marquer ces activités afin de les vérifier. Fraud Detection Using Machine Learning est facile à déployer et comprend un exemple de jeu de données, mais vous pouvez modifier le code pour utiliser n'importe quel jeu de données.

Présentation

Fraud Detection Using Machine Learning vous permet d'exécuter un traitement automatisé des transactions pour un exemple de jeu de données ou le vôtre. Le modèle de ML inclus détecte les activités potentiellement frauduleuses et les marque pour vérification. Le diagramme ci-dessous présente l'architecture que vous pouvez créer à l'aide de l'exemple de code sur GitHub.

Fraud Detection Using Machine Learning | Diagramme d'architecture
 Cliquez pour agrandir

Architecture de Fraud Detection Using Machine Learning

Le code déploie l'infrastructure suivante :

  1. Un compartiment Amazon Simple Storage Service (Amazon S3) contenant un exemple de jeu de données des transactions relatives aux cartes de crédit.
  2. Une instance de bloc-notes Amazon SageMaker avec différents modèles ML qui seront entraînés sur le jeu de données.
  3. Une fonction AWS Lambda qui traite les transactions provenant de l'exemple de jeu de données et appelle les deux points de terminaison Amazon SageMaker qui attribuent des scores d'anomalies et de classification aux points de données entrantes.
  4. Une API REST Amazon API Gateway qui appelle des prévisions à l'aide de demandes HTTP signées.
  5. Un flux de diffusion Amazon Kinesis Data Firehose qui charge les transactions traitées dans un autre compartiment Simple Storage Service (Amazon S3) aux fins de stockage.
La solution fournit aussi un exemple de procédure pour appeler l'API REST de prévision dans le cadre du bloc-notes Amazon SageMaker.
 
Lorsque les transactions ont été chargées dans Simple Storage Service (Amazon S3), vous pouvez utiliser les outils et services d'analytique, dont Amazon QuickSight, à des fins de visualisation, de création de rapports, de requêtes ad hoc et d'autres analyses plus approfondies.

Fraud Detection Using Machine Learning

Version 2.0.0
Dernière mise à jour : 01/2022
Auteur : AWS

Ressources supplémentaires

Ce guide vous a-t-il été utile ?
Donner mon avis 

Caractéristiques

Personnalisable

Cette solution comprend un exemple de jeu de données de transactions par carte bancaire, mais vous pouvez le modifier pour utiliser votre propre jeu de données.

Automatisation

Détectez les activités potentiellement frauduleuses et marquez ces activités pour les vérifier à l'aide d'un modèle ML préconçu qui apprend par lui-même.
Vidéo
Résoudre les problèmes avec des solutions AWS : Fraud Detection Using Machine Learning
Retour en haut de la page 
Icône Créer
Déployer vous-même votre solution

Parcourez notre bibliothèque des implémentations des solutions AWS pour obtenir des réponses aux problèmes d'architecture courants.

En savoir plus 
Rechercher un partenaire APN
Rechercher un partenaire APN

Trouvez des partenaires consultants et technologiques certifiés AWS pour vous aider à commencer.

En savoir plus 
Icône Explorer
Explorer les offres de conseil pour les solutions

Parcourez notre portefeuille d'offres de conseil pour obtenir une aide approuvée AWS au déploiement de solutions.

En savoir plus