- AWS 解決方案程式庫›
- 使用 Machine Learning on AWS 進行詐騙偵測的指引
概觀
運作方式
此架構圖說明如何使用示例信用卡交易資料集來訓練可識別詐騙模式的自學 ML 模型，以便自動偵測詐騙和警示。
充滿信心地進行部署
準備部署？ 檢閱 GitHub 上的範例程式碼，獲取詳細的部署指示，以便依原樣進行部署或自訂，進而符合您的需求。
Well-Architected 支柱
上方的架構圖是一個考量到 Well-Architected 最佳實務而建立的的解決方案的範例。若要完全實現 Well-Architected，您應該盡可能地多遵循 Well-Architected 的最佳實務。
SageMaker 提供全受管 ML 工具，從資料準備到模型部署和監控，可自動化工作流程。這樣就不需要管理複雜的 ML 基礎設施。Lambda 可讓您執行程式碼，而無需佈建或管理伺服器，進一步降低營運負擔。此外，Amazon DynamoDB 可協助低延遲資料儲存與擷取，並將管理工作降至最低。最後，AWS Step Functions 簡化複雜工作流程的協調，並提供內建錯誤處理功能，從而提高可靠性並減少手動干預的需求。
AWS 身分與存取管理 (IAM) 可讓您實作最低權限原則，該原則只授予授權使用者和服務執行預定工作所需的最低權限，從而降低未經授權存取或意外濫用的風險。Amazon 虛擬私有雲 (Amazon VPC) 為構成本指南的元件提供邏輯隔離的環境，允許您使用安全群組和網路存取控制清單來控制輸入和輸出流量。此外，Lambda 做為無伺服器服務，藉由最大限度地減少潛在受攻擊面來增強安全性。無需管理和保護基礎伺服器，同時降低伺服器設定錯誤或過時的軟體版本關聯的漏洞風險。
Lambda 會根據傳入流量自動擴展運算資源，因此，您的應用程式無需手動干預即可處理需求波動，從而最大限度地減少停機時間。DynamoDB 提供跨多個可用區域的內建複寫，從而提供備援，並將基礎設施故障導致資料遺失的風險降至最低。最後，Step Functions 可協助您建立可靠且容錯的無伺服器工作流程。其內置功能，例如自動重試和錯誤處理，可協助任務從暫時故障中復原。
Lambda 讓您的應用程式能夠順暢地擴展並處理流量波動，而不會影響效能。DynamoDB 支援高輸送量和低延遲資料存取，讓您的詐騙偵測程序能夠即時運作，而不會造成效能瓶頸。此外，SageMaker 可自動化並加速 ML 模型開發生命週期，使您可以高效快速地迭代和微調模型。這可改善模型準確度並提升整體解決方案效能。
Lambda 使用可調整以符合需求的無伺服器運算模型，而且您只需支付所耗費的計算時間。這可協助您避免與過度佈建或伺服器使用率不足關聯的成本。DynamoDB 不需要專屬資料庫管理員及相關成本，並且會自動調整以適應流量波動，而無需手動干預。此外，SageMaker 還提供完全受管的 ML 環境，降低了與模型開發、訓練和部署的硬體和軟體採購和維護相關的成本。
Lambda 可讓您的應用程式根據需求自動擴展或縮小，從而將應用程式不使用時的能源消耗降到最低。 SageMaker 提供受管理的 ML 環境，減少設定和維護專用 ML 基礎架構所需的能源和資源消耗。最後，DynamoDB 會根據流量模式自動調整資源，最佳化資源使用情況，並最大限度地減少過度佈建或使用不足資料庫資源的環境影響。
免責聲明
範例程式碼、軟體庫、命令列工具、概念驗證、範本或其他相關技術 (包括我們的人員提供的任何上述技術) 依據 AWS 客戶協議或您與 AWS 之間的相關書面協議 (以適用者為準) 作為 AWS 內容提供給您。您不得在您的生產帳戶、生產或其他關鍵資料中使用此 AWS 內容。您有責任根據您的特定品質控制實務和標準，依生產級用途來測試、保護和最佳化 AWS 內容 (如範例程式碼)。部署 AWS 內容可能會因建立或使用 AWS 收費資源 (如執行 Amazon EC2 執行個體或使用 Amazon S3 儲存) 而產生 AWS 費用。
本指引中對第三方服務或組織的參考並不意味著 Amazon 或 AWS 與第三方之間的認可、贊助或聯繫。AWS 的指引是技術起點，您可以在部署架構時自訂與第三方服務的整合。
找到今天所需的資訊了嗎？
讓我們知道，以便我們改善頁面內容的品質