クレジットカード詐欺をリアルタイムで自動検知
このガイダンスでは、機械学習 (ML) を使用して、中央銀行向けにカスタマイズされた、動的で保守可能な自己改善型の不正検知モデルを作成する方法を示します。顧客によるデジタルツールやサービスの利用が増えるにつれ、不正行為者による不正行為には高度な不正検知ソリューションが必要になります。このガイダンスにより、デジタル通貨取引をリアルタイムで監視し、疑わしい活動を検出する自動取引処理を実行できるため、不正行為が発生する前に防止策を講じることができます。その結果、規制遵守の維持に取り組みながら、デジタル通貨のセキュリティと完全性を向上させることができます。
注: [免責事項]
アーキテクチャ図
[アーキテクチャ図の説明]
ステップ 1
クレジットカードのトランザクションのサンプルデータセットを含む Amazon Simple Storage Service (Amazon S3) のバケット。
ステップ 2
Amazon SageMaker ノートブックインスタンスにはデータセットでトレーニングされる異なる機械学習モデルがあります。
ステップ 3
AWS Lambda 関数で、サンプルデータセットからのトランザクションを処理し、入力されたデータポイントに異常スコアと分類スコアを割り当てる 2 つの SageMaker エンドポイントを呼び出します。
ステップ 4
Amazon API Gateway REST API は、署名された HTTP リクエストを使用して予測を呼び出します。
ステップ 5
Amazon Data Firehose (Kinesis Data Firehose の後継) 配信ストリームは、処理済みのトランザクションをストレージ用の別の Amazon S3 結果バケットに取り込みます。
ステップ 6
トランザクションを Amazon S3 に取り込むと、Amazon QuickSight などの分析ツールとサービスを使用して、視覚化、レポート、個々のクエリ、より詳細な分析を行うことができます。
今すぐ始める
このガイダンスをデプロイ
Well-Architected の柱
AWS Well-Architected フレームワークは、クラウドでシステムを構築する際に行う決定の長所と短所を理解するのに役立ちます。フレームワークの 6 つの柱により、信頼性が高く、安全かつ効率的で、費用対効果が高く、持続可能なシステムを設計および運用するためのアーキテクチャのベストプラクティスを学ぶことができます。AWS マネジメントコンソールで無料で提供されている AWS Well-Architected Tool を使用し、各柱の一連の質問に回答することで、これらのベストプラクティスに照らしてワークロードを確認できます。
上記のアーキテクチャ図は、Well-Architected のベストプラクティスを念頭に置いて作成されたソリューションの例です。完全に Well-Architected であるためには、可能な限り多くの Well-Architected ベストプラクティスに従う必要があります。
-
運用上の優秀性
SageMaker は、データ準備からモデルのデプロイと監視までのワークフローを自動化するフルマネージド ML ツールを提供します。これにより、複雑な ML インフラストラクチャを管理する必要がなくなります。Lambda では、サーバーのプロビジョニングや管理を行わずにコードを実行できるため、運用上の負担がさらに軽減されます。さらに、Amazon DynamoDB では、低レイテンシーのデータ保存と取得が容易になり、管理タスクが最小限に抑えられます。最後に、AWS Step Functions は複雑なワークフローのオーケストレーションを簡素化し、エラー処理機能が組み込まれているため、信頼性が向上し、手動による介入の必要性が減ります。
-
セキュリティ
AWS Identity and Access Management (IAM) では、最小権限の原則を実装できます。これにより、権限のあるユーザーとサービスには、意図したタスクを実行するために必要な最小限の権限のみが付与され、不正アクセスや偶発的な悪用のリスクが軽減されます。Amazon Virtual Private Cloud (Amazon VPC) は、本ガイダンスを構成するコンポーネントを論理的に分離した環境を提供し、セキュリティグループとネットワークアクセスコントロールリストを使用してインバウンドトラフィックとアウトバウンドトラフィックを制御できるようにします。さらに、サーバーレスサービスである Lambda は、潜在的なアタックサーフェスを最小限に抑えることでセキュリティを強化します。基盤となるサーバーを管理して保護する必要がないため、サーバーの設定ミスや古いソフトウェアバージョンに関連する脆弱性のリスクを軽減できます。
-
信頼性
Lambda は受信トラフィックに基づいてコンピューティングリソースを自動的にスケールするため、アプリケーションは人の手による介入なしに需要の変動を処理でき、ダウンタイムを最小限に抑えることができます。DynamoDB には複数のアベイラビリティーゾーンにわたる組み込みレプリケーションが用意されているため、冗長性が確保され、インフラストラクチャ障害によるデータ損失のリスクが最小限に抑えられます。最後に、Step Functions は堅牢でフォールトトレラントなサーバーレスワークフローの作成に役立ちます。自動再試行やエラー処理などの組み込み機能は、一時的な障害からタスクを回復するのに役立ちます。
-
パフォーマンス効率
Lambda を使用すると、パフォーマンスを犠牲にすることなく、アプリケーションをシームレスにスケールし、トラフィックの変動を処理できます。DynamoDB は高スループットと低レイテンシーのデータアクセスをサポートしているため、パフォーマンスのボトルネックなしに不正検知プロセスをリアルタイムで実行できます。さらに、SageMaker は ML モデル開発ライフサイクルを自動化および加速し、モデルの反復とファインチューニングを効率的かつ迅速に可能にします。これにより、モデルの精度が向上し、ソリューション全体のパフォーマンスが向上します。
-
コストの最適化
Lambda は、需要に合わせてスケールできるサーバーレスコンピューティングモデルを使用しており、消費したコンピューティング時間に対してのみ支払いが発生します。これにより、サーバーの過剰プロビジョニングや使用率の低下に関連するコストの発生を防げます。DynamoDB では、専任のデータベース管理者が不要になり、それに関連するコストがなくなり、人の手による介入なしにトラフィックの変動に対応するように自動的にスケールします。さらに、SageMaker はフルマネージド ML 環境を提供し、モデル開発、トレーニング、およびデプロイのためのハードウェアとソフトウェアの調達と保守に関連するコストを削減します。
-
サステナビリティ
Lambda を使用すると、アプリケーションを需要に応じて自動的にスケールアップまたはスケールダウンできるため、アプリケーションが使用されていないときのエネルギー消費を最小限に抑えることができます。 SageMaker はマネージド ML 環境を提供し、専用の ML インフラストラクチャの設定と維持に必要なエネルギーとリソースの消費を削減します。最後に、DynamoDB はトラフィックパターンに基づいてリソースを自動的にスケールし、リソースの使用量を最適化し、データベースリソースの過剰プロビジョニングまたは過少利用による環境への影響を最小限に抑えます。
関連コンテンツ
免責事項
サンプルコード、ソフトウェアライブラリ、コマンドラインツール、概念の実証、テンプレート、またはその他の関連技術 (私たちの担当者から提供される前述のものを含む) は、AWS カスタマーアグリーメント、またはお客様と AWS との間の関連文書契約 (いずれか該当する方) に基づき、AWS コンテンツとしてお客様に提供されるものです。お客様は、この AWS コンテンツを、お客様の本番アカウント、または本番データもしくはその他の重要なデータで使用すべきではありません。お客様は、サンプルコードなどの AWS コンテンツを、お客様固有の品質管理手法および基準に基づいて、本番グレードでの使用に適したテスト、セキュリティ確保、および最適化を行う責任を負います。AWS コンテンツのデプロイには、Amazon EC2 インスタンスの実行や Amazon S3 ストレージの使用など、AWS の課金対象リソースを作成または使用するための AWS 料金が発生する場合があります。
本ガイダンスにおける第三者のサービスまたは組織への言及は、Amazon または AWS と第三者との間の承認、後援、または提携を意味するものではありません。AWS からのガイダンスは技術的な出発点であり、アーキテクチャをデプロイするときにサードパーティのサービスとの統合をカスタマイズできます。