Несколько дней назад в Amazon Web Services (AWS) re: Invent 2019 Amazon объявила о своем полностью управляемом сервисе, который обнаруживает аномалии в транзакциях, Amazon Fraud Detector. Служба в настоящее время находится в стадии предварительной версии, и я не мог дождаться, когда смогу испачкать руки, экспериментируя с некоторыми образцами обнаружения мошенничества, как только мое приложение предварительной версии было одобрено.

Самое лучшее в Amazon Fraud Detector - это то, что вам не нужны какие-либо знания в области машинного обучения для построения моделей обнаружения мошенничества. Просто возьмите исторические данные, и детектор Amazon Fraud будет использовать эти данные для автоматического обучения, тестирования и развертывания настраиваемой модели обнаружения мошенничества.

Для начала я всегда рекомендую официальную документацию, которая является отличным местом для начала. Вы можете перейти по ссылкам, приведенным в конце этой статьи, чтобы узнать больше об Amazon Fraud Detector.

Для тех, кто все еще с нетерпением ждет предварительного просмотра, эта статья предоставит краткое представление об услуге и пошаговых инструкциях по построению модели обнаружения мошенничества и запуску тестов для прогнозирования мошенничества.

Я использовал несколько поддельных данных, сгенерированных из https://mockaroo.com/, который является прекрасным инструментом для легкого создания реалистичных данных. Вы также можете использовать библиотеку faker.js с открытым исходным кодом (https://github.com/marak/Faker.js/) для создания огромных объемов поддельных данных в Node.js и браузере.

Когда у вас будет готов набор данных, загрузите файл csv в корзину S3, и консоль предоставит вам возможность создать или выбрать существующую роль IAM для доступа к набору обучающих данных.

Шаблоны модели Amazon Fraud Detector предоставляют варианты для трех разновидностей шаблонов, из которых в настоящее время доступна модель «Анализ онлайн-мошенничества». Два других шаблона модели, а именно захват учетной записи для выявления скомпрометированных учетных записей и мошенничество с транзакциями для фиксации мошеннических транзакций, находятся в дорожной карте для будущего выпуска.

Шаблон модели Online Fraud Insights требует ввода, как показано на изображении ниже, для создания модели. Нам нужно убедиться, что наш набор данных включает поля электронной почты, метки времени, IP-адреса и метки мошенничества.

На следующем этапе нам нужно настроить нашу модель, чтобы обеспечить правильное сопоставление входных данных с выбранными переменными.

Третий и последний шаг позволяет нам просмотреть детали нашей модели и сделать последний щелчок, чтобы создать и обучить нашу модель. Прежде чем модель станет доступной для развертывания, потребуется некоторое время на обучение. В этом случае обучение для набора данных с 20 000 строками заняло примерно 20 минут.

После успешного обучения мы можем развернуть эту конкретную версию модели для использования с нашими детекторами. На изображении ниже мы видим производительность модели и табличное представление, чтобы помочь нам определить, какой порог модели мы должны использовать при написании правил для оценки событий.

После того, как мы успешно развернем модель обнаружения мошенничества, мы продолжим и создадим детектор во второй части этой практической демонстрации. Создание детектора состоит из пяти простых шагов, начиная с шага определения имени для нашего детектора.

На втором этапе добавьте модель, которую мы создали в первой части этой демонстрации.

После этого мы можем добавить правила для интерпретации оценки нашей модели Amazon Fraud Detector. Здесь нам нужно будет предоставить выражения правил и результат, который будет результатом прогноза мошенничества и будет возвращен, если правило совпадает во время оценки.

Мы можем увидеть пример выражения правила на изображении ниже.

Создав правила, мы можем определить порядок их выполнения, который повлияет на итоговый результат прогнозирования мошенничества. В данном случае мы переместили правило «high_fraud_risk» на первую позицию.

На последнем этапе мы можем ознакомиться с правилами и, наконец, приступить к созданию детектора.

Как только наш детектор создан, мы можем протестировать логику нашего детектора, используя некоторые образцы данных событий. Как видно на изображении ниже, результатом теста был результат «Обзор» с оценкой модели 688. Таким образом, наша модель теперь готова, и мы можем сделать ее доступной для использования при обнаружении мошенничества в реальном времени.

Заключение

Благодаря 20-летнему опыту AWS и Amazon.com по обнаружению мошенничества, позволяющему автоматически определять потенциальную мошенническую деятельность за миллисекунды, Amazon Fraud Detector абстрагировался от сложного машинного обучения, чтобы предоставить простой и понятный интерфейс для всех. В настоящее время, хотя эта услуга ограничена несколькими шаблонами моделей и доступна только в регионе AWS Восток США (Северная Вирджиния), мы можем ожидать, что эта услуга будет расти вместе с растущим спросом на управление мошенничеством.

использованная литература

Https://aws.amazon.com/fraud-detector/

Https://docs.aws.amazon.com/frauddetector/latest/ug/what-is-frauddetector.html