この AWS ソリューションの内容

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、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、データセットでトレーニングされる ML モデルを持つ Amazon SageMaker エンドポイントをデプロイします。

このソリューションは、毎分実行するように設定された Amazon CloudWatch Events イベントルールもデプロイします。このルールは AWS Lambda 関数をトリガーするように設定されています。この関数は、サンプルデータセットのトランザクションを処理し、トレーニング済み 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する Amazon SageMaker エンドポイントを呼び出します。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 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。 

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。
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