À quoi sert l'implémentation de cette solution AWS ?

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

Vous pouvez utiliser l'implémentation de cette solution pour automatiser la détection d'activités potentiellement frauduleuses, ainsi que pour marquer ces activités afin de les vérifier. L'implémentation de cette solution est facile à déployer et comprend un exemple d'ensemble de données, mais vous pouvez la modifier pour utiliser n'importe quel ensemble de données.

Présentation de l'implémentation de la solution AWS

Fraud Detection Using Machine Learning vous permet d'exécuter un traitement automatisé des transactions pour un exemple d'ensemble de données ou le vôtre. Le modèle ML inclus détecte les activités potentiellement frauduleuses et les marque pour vérification. Le diagramme ci-dessous présente l'architecture que vous pouvez déployer automatiquement à l'aide du guide d'implémentation de la solution et du modèle AWS CloudFormation fourni.

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

Architecture de Fraud Detection Using Machine Learning

Cette solution comprend un modèle AWS CloudFormation qui déploie un exemple d'ensemble de données de transactions par carte bancaire dans un compartiment Amazon Simple Storage Service (Amazon S3) et un point de terminaison Amazon SageMaker avec un modèle ML qui sera entraîné sur l'ensemble de données.

La solution déploie également une règle Amazon CloudWatch Events configurée pour s'exécuter toutes les minutes. La règle est configurée pour déclencher une fonction AWS Lambda qui traite les transactions à partir de l'exemple de l'ensemble de données et appelle le point de terminaison Amazon SageMaker qui prévoit si ces transactions seront frauduleuses ou non en se basant sur le modèle ML entraîné. Un flux de diffusion Amazon Kinesis Data Firehose charge les transactions traitées dans un autre compartiment Amazon S3 afin de les stocker.

Une fois que les transactions ont été chargées dans Amazon S3, vous pouvez utiliser les outils et services d'analyse, dont Amazon QuickSight, à des fins de visualisation, création de rapports, requêtes ad-hoc et autres analyses plus approfondies.

Par défaut, la solution est configurée pour traiter les transactions à partir de l'ensemble de données. Pour utiliser votre propre ensemble de données, vous devez modifier la solution. Pour en savoir plus, consultez le guide de déploiement.

Fraud Detection Using Machine Learning

Version 2
Dernière mise à jour : 05/2020
Auteur : AWS

Temps de déploiement estimé : 5 min

Utilisez le bouton ci-dessous pour vous abonner aux mises à jour de la solution.

Remarque : pour vous abonner aux mises à jour RSS, vous devez activer un plug-in RSS pour le navigateur que vous utilisez. 

Caractéristiques

Personnalisable

Cette solution comprend un exemple d'ensemble de données de transactions par carte bancaire, mais vous pouvez la modifier pour utiliser votre propre ensemble 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.
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 AWS

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

En savoir plus