この AWS ソリューション実装では、どのようなことが可能ですか?

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。

このソリューションを実装して、潜在的に不正なアクティビティの検出を自動化し、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ができます。このソリューションの実装はデプロイが簡単で、サンプルデータセットを含んでいるだけでなく、ソリューションの実装を変更して任意のデータセットを操作することもできます。

AWS ソリューション実装の概要

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。下図は、このソリューションの実装ガイドと付属の AWS CloudFormation テンプレートを使用して、自動的にデプロイできるアーキテクチャを表しています。

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

このソリューションには、AWS CloudFormationテンプレートが含まれています。このテンプレートは、Amazon Simple Storage Service (Amazon S3) バケットに含まれる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と、データセットで教師ありと教師なし学習モデルをトレーニングし2 つのエンドポイントをデプロイする Amazon SageMaker ノートブックインスタンスをデプロイします。

このソリューションのノートブック内で、サンプルデータに基づいて、予測リクエストの連続ストリームが生成されます。生成したリクエストは AWS Lambda 関数をトリガーします。この関数で、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、2 つの Amazon SageMaker エンドポイントを呼び出します。エンドポイントは異常スコアを割り当て、トレーニングした ML モデルに基づいて、それらのトランザクションが不正であるかどうかを予測します。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 Amazon S3 バケットに取り込みます。

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、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。

デフォルトのソリューションは、サンプルデータセットのトランザクションを処理するように設定されています。独自のデータセットを使用するには、ソリューションを変更する必要があります。詳細については、デプロイガイドをご参照ください。

機械学習を用いた不正検出

バージョン 2
最終更新日: 2020 年 5 月
著者: AWS

見積りデプロイ時間: 5 分

下のボタンをクリックして、ソリューションの更新を登録してください。

注: RSS 更新を購読するには、使用しているブラウザで RSS プラグインを有効にする必要があります。 

このソリューション実装はお役に立ちましたか?
フィードバックを送る 

特徴

カスタマイズ可能

このソリューション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。
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
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