機械学習を用いた不正検出では、機械学習 (ML) モデルと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デプロイして、不正パターンを認識するようにモデルをトレーニングします。このモデルは自己学習型で、新しい未知の不正パターンに適応することができます。

このガイダンスを使用して、潜在的に不正なアクティビティの検出し、そのアクティビティにレビュー用のフラグを付けることを自動化します。機械学習を用いた不正検出は簡単にデプロイでき、サンプルデータセットを含んでいますが、任意のデータセットを使用するようにコードを変更できます。

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 | アーキテクチャ図
 クリックして拡大する

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。

  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。
  2. 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。
  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 Amazon SageMaker エンドポイントを呼び出します。
  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。
  5. 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。

機械学習を利用した不正検出

バージョン 2.0.0
最終更新日: 2022 年 1 月
作成者: AWS

このガイダンスは役に立ちましたか?
フィードバックを送る 

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。
動画
AWS ソリューションを使って解決: 機械学習を用いた不正検出
先頭に戻る 
アイコンを作成する
自分でソリューションをデプロイする

よくみられるアーキテクチャ上の問題に関して答えを知るため、AWS ソリューション実装のライブラリを閲覧する。

詳細はこちら 
APN パートナーを見つける
APN パートナーを見つける

サービスの開始をサポートする AWS 認定コンサルティングパートナーとテクノロジーパートナーを見つけましょう。

詳細はこちら 
アイコンについて調べる
ソリューションコンサルティングサービスについて調べる

ソリューションをデプロイし、AWS により審査済みのサポートを受けるため、コンサルティングサービスのポートフォリオを閲覧する。

詳細はこちら