Amazon Fraud Detector est désormais disponible en général: idk.dev


Qu'est-ce qui a été annoncé?

Amazon Fraud Detector est maintenant Généralement disponible! 🥳

Au cas où vous auriez manqué l'annonce au cours de la semaine re: Invent 2019, Amazon Fraud Detector a été initialement publié en Aperçu mode le 3 décembre 2019. Mais aujourd'hui, c'est maintenant Généralement disponible pour les clients à vérifier.

Qu'est-ce qu'Amazon Fraud Detector?

Amazon Fraud Detector est un service entièrement géré qui permet d'identifier facilement les activités en ligne potentiellement frauduleuses telles que la fraude de paiement en ligne et la création de faux comptes.

Saviez-vous que chaque année, des dizaines de milliards de dollars sont perdus à cause de la fraude en ligne dans le monde?

Les entreprises ayant des activités en ligne doivent constamment être à l'affût des activités frauduleuses telles que les faux comptes et les paiements effectués avec des cartes de crédit volées. Ils essaient notamment d'identifier les fraudeurs en utilisant des applications de détection de fraude, dont certaines utilisent le Machine Learning (ML).

Entrez dans Amazon Fraud Detector! Il utilise vos données, le ML et plus de 20 ans d'expertise en détection de fraude d'Amazon pour identifier automatiquement les activités en ligne potentiellement frauduleuses afin que vous puissiez détecter plus de fraudes plus rapidement. Vous pouvez créer un modèle de détection de fraude en quelques clics et sans expérience préalable de ML, car Fraud Detector gère tous les gros travaux de ML pour vous.

Comment ça fonctionne..

"Mais comment ça marche?" tu demandes. 🤷🏻‍♀️

Je suis tellement content que vous ayez posé la question! Résumons cela en 5 étapes principales. 👩🏻‍💻

  • Étape 1: Définissez l'événement dont vous souhaitez évaluer la fraude.
  • Étape 2: Téléchargez votre ensemble de données d'événement historique sur Amazon S3 et sélectionnez un type de modèle de détection de fraude.
  • Étape 3: Amazon Fraud Detector utilise vos données historiques comme entrée pour créer un modèle personnalisé. Le service inspecte et enrichit automatiquement les données, procède à l'ingénierie des fonctionnalités, sélectionne des algorithmes, entraîne et ajuste votre modèle et héberge le modèle.
  • Étape 4: Créez des règles pour accepter, examiner ou collecter plus d'informations en fonction des prédictions du modèle.
  • Étape 5: Appelez l'API Amazon Fraud Detector depuis votre application en ligne pour recevoir des prédictions de fraude en temps réel et prendre des mesures en fonction de vos règles de détection configurées. (Exemple: une application de commerce électronique peut envoyer un e-mail et une adresse IP et recevoir un score de fraude ainsi que le résultat de votre règle (par exemple, révision))

Voyons une démo…

Faisons une démonstration pour mieux comprendre comment tout cela s’intègre. Dans l'article d'aujourd'hui, nous vous présenterons deux éléments principaux: Création d'un modèle Amazon Fraud Detector et Générer des prédictions de fraude en temps réel.

Partie A: Création d'un modèle Amazon Fraud Detector

Nous commençons par télécharger des données d'entraînement générées fictives dans un compartiment S3. En fait, notre guide de l'utilisateur contient un exemple d'ensemble de données que nous pouvons utiliser. Une fois que nous avons téléchargé ce fichier CSV, nous devons placer ces données d'entraînement dans un compartiment S3.

Pour le contexte, ouvrons également ce fichier CSV et voyons ce qu'il contient…

👉🏾REMARQUE: Avec Amazon Fraud Detector, vous pouvez choisir un minimum de 2 variables pour former un mannequin, pas seulement le email et adresse IP. (En fait, le modèle prend en charge jusqu'à 100 entrées!)

Nous continuons par définir (créer) un événement. Un événement est essentiellement un ensemble d'attributs concernant un événement particulier. Nous définissons la structure de l'événement que nous voulons évaluer pour fraude. (Amazon Fraud Detector évalue les «événements» pour la fraude.)

Créons un Nouvelle entité. Ce entité représente la personne ou la chose qui déclenche l'événement.

Détails de l'évènement

create_entity

Nous passons à Variables d'événement. Nous sélectionnerons des variables dans un ensemble de données d'entraînement. Cela nous permettra d'utiliser le fichier CSV mentionné précédemment et d'extraire les en-têtes.

Pour le Rôle IAM section, nous en créons un nouveau. Je vais utiliser le même nom que mon bucket que je viens de créer, "données de formation au détecteur de fraude».

Et maintenant nous pouvons télécharger le fichier CSV mentionné précédemment à tirez dans les en-têtes.

Parce que nous allons définir un modèle, nous devons définir au moins deux Étiquettes.

Finalisons la création de notre événement!

Si tout se passe bien, nous obtenons une joyeuse barre verte qui nous alerte du fait que notre événement a été créé avec succès!

event_detail_page

Il est maintenant temps de créer notre Modèle.

Prenons un moment pour Définir les détails du modèle. Nous nous assurons de sélectionner notre précédemment créé type d'événement.

create_model_step_1

Nous passons à Configurer la formation et assurez-vous de sélectionner les libellés sous Fraude et Légitime Étiquettes. (Cela nous permet de séparer nos classifications afin que le modèle puisse apprendre à distinguer ces deux étiquettes.)

Les modèles prennent environ 30 à 40 minutes à quelques heures selon la taille de l'ensemble de données. Cet exemple de jeu de données prend environ 40 minutes pour entraîner le modèle.

Pour les besoins de cet article de blog, supposons que nous ayons déjà sauté 40 minutes avant de passer à un modèle de formation complet. 🙌🏾

model_detail_page

Vous pouvez également consulter votre mesures de performances du modèle!

model_performance

Nous pouvons maintenant procéder au déploiement de notre Modèle.

deploy_model_1

Un modèle contextuel nous demande de confirmer s'il s'agit du version nous tenons à Déployer.

deploy_model_confirmation

Partie B: Générer des prédictions de fraude en temps réel

Il est temps de générer des prédictions de fraude en temps réel! Prêt?

À ce stade, vous avez un modèle déployé dont vous êtes satisfait et que vous souhaitez utiliser pour obtenir des prédictions.

Nous devons construire un Détecteur, qui est un conteneur pour vos modèles et règles. C'est votre logique de détection que vous souhaitez appliquer pour évaluer l'événement.

Nous continuons à définir le Détails du détecteur.

Nous veillons également à sélectionner notre création un événement.

Detector_wizard_step_1

Maintenant, nous sélectionnons un Modèle.

add_model_to_detector

Nous passons à établir un certain seuil règles.

le règles interpréter le production du Modèle. Ils déterminent également le production du Détecteur.

high_fraud_risk_rule

Faisons deux autres règles.

Outre un haute_fraude_risk label, nous voulons également ajouter faible_fraude_risk et moyen_fraude_risk Étiquettes.

low_fraud_risk_rule

medium_fraud_risk_rule

Souvenez-vous que ces valeurs de seuil de règle ne sont que des exemples. Lors de la création de règles pour votre propre détecteur, vous devez utiliser des valeurs appropriées en fonction de votre modèle, de vos données et de votre activité.

Maintenant, dans notre exemple pour cet article, ces règles de seuil particulières ne vont jamais correspondre en même temps.

three_rules_created

Cela signifie que soit Modes d'exécution des règles sont très bien à utiliser dans notre exemple actuel.

Yay! Nous avons créé notre Détecteur.

Detector_created_banner

Cliquons maintenant sur le Règles languette.

Detector_rules_tab

Nous pouvons également vérifier quels modèles nous avons sous le Des modèles languette.

Detector_models_tab

Si nous retournons à la Aperçu onglet, nous pouvons même exécuter un test rapide! Nous pouvons exécuter des tests pour échantillonner le production de notre Détecteur.

run_test

Une fois que nous sommes prêts, nous pouvons publier cette version du détecteur pour en faire le actif version. Chaque détecteur peut avoir une version active à la fois.

publish_detector

Un modal pop-up nous demande de confirmer si nous sommes prêts à publier ceci version.

La prochaine étape consiste à exécuter des prédictions en temps réel! Montrons un exemple de prédiction ponctuelle avec un bloc-notes Amazon SageMaker et voyons à quoi cela ressemble.

Nous passons au Amazon SageMaker console et accédez aux instances Notebook.

Dans ce cas, vous pouvez voir que j'ai déjà un Cahier Jupyter Prêt à partir.

Nous allons lancer le get_event_prediction bloquer. Il s'agit de notre API d'exécution principale et les clients peuvent l'appeler à l'aide d'un script pour exécuter un lot d'exemples de prédictions. Les clients peuvent également intégrer cette API dans leurs applications pour générer des prédictions en temps réel et ajuster dynamiquement l'expérience utilisateur en fonction des risques.

Après avoir exécuté ce bloc, voici les résultats du score du modèle que nous recevons.

Nous avons eu 1 modèle dans ce Détecteur et il est revenu un score de 933. Selon les règles que nous avons créées, cela signifie que nous considérons cette transaction comme un retour high_fraud_risk.

get_prediction

Revenons à la Détecteur de fraude Amazon console et consultez la Règles dans notre Détecteur.

Nous pouvons voir à partir des règles de notre détecteur que si le score de risque est plus de 900, les Résultat devrait être verify_customer.

Ceci complète la boucle!

Nous avons maintenant la confirmation que vous pouvez appeler cela Détecteur en temps réel et obtenez vos prévisions de fraude.

🌎 Enfin…
Amazon Fraud Detector est désormais disponible à l'échelle mondiale pour nos clients et est intégré à de nombreux services AWS tels qu'Amazon CloudWatch, AWS CloudTrail, AWS PrivateLink, etc.

Pour en savoir plus sur Amazon Fraud Detector, visitez le site Web et le guide du développeur.

¡Gracias por tu tiempo!
~ Alejandra 💁🏻‍♀️🤖 et Canela 🐾



Source link

Il n’a jamais été aussi facile d’envoyer un web site e-commerce de à nous jours, il suffit de voir le nombre de plateformes web commerce électronique en France pour s’en renvoyer compte. En effet, 204 000 sites actifs en 2016. En 10 ans, le nombre de plateformes web est multiplié par 9. Avec l’évolution des technologies, les médias à grand coup d’histoire de succès story, (si dans l’hypothèse ou je vous assure, moi c’est aussi tombé a l’intérieur du panneau) le e-commerce est longtemps été vu comme un eldorado. Du coup, une concurrence accrue est vu le journée dans thématiques.