概要
機械学習を用いた不正検出では、サンプルデータセットまたは独自のデータセットに対して自動トランザクション処理を実行できます。含まれている ML モデルは、不正行為の恐れがあるアクティビティを検知し、レビュー用にそのアクティビティにフラグを立てます。下の図表は、GitHub にあるサンプルコードを使って構築できるアーキテクチャを示しています。
機械学習を用いた不正検出のアーキテクチャ
このコードは、次のインフラストラクチャをデプロイします。
- 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。
- 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を持つ Amazon SageMaker ノートブックインスタンス。
- 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 Amazon SageMaker エンドポイントを呼び出します。
- 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。
- Amazon Kinesis Data Firehose 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 Simple Storage Service (Amazon S3) バケットに取り込みます。
また、このガイダンスは、Amazon Sagemaker ノートブックの一部として予測 REST API を呼び出す方法の例を提供します。
トランザクションを Simple Storage Service (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、アドホッククエリ、より詳細な分析を行うことができます。
その他のリソース
特徴
カスタマイズ可能
このガイダンスには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が含まれていますが、ソリューションを変更すれば独自のデータセットを使用できます。
オートメーション
不正の可能性のあるアクティビティを検出し、そのアクティビティにフラグを付けて、構築済みの自己学習型 ML モデルで確認します。
