تُعد Amazon Fraud Detector خدمة مُدارة بالكامل تسهِّل التعرف على الأنشطة الاحتيالية المحتملة عبر الإنترنت، مثل الاحتيال في عمليات الدفع عبر الإنترنت وإنشاء حسابات مزيفة. تستخدم Amazon Fraud Detector التعلم الآلي (ML) بجانب 20 عامًا من الخبرة المستمدة من Amazon Web Services (AWS) وAmazon.com من أجل التعرف التلقائي على الأنشطة الاحتيالية المحتملة في خلال أجزاء من الثانية. مع Amazon Fraud Detector، لا توجد مدفوعات تُدفع مقدمًا ولا التزامات طويلة المدى ولا بنية أساسية تلزم إدارتها، بل إنك تدفع مقابل استخدامك الفعلي فقط.
أولاً، تحدد الحدث الذي تريد تقييمه لاكتشاف أي أنشطة احتيالية. بعد ذلك، تُحمِّل مجموعة بيانات متعلقة بالأحداث التاريخية إلى Amazon Simple Storage Service (Amazon S3) وتحدد نوع نموذج اكتشاف الاحتيال، الذي بدوره يحدد مجموعة الميزات والخوارزميات المحسَّنة لاكتشاف شكل معين من أشكال الاحتيال. ثم تقوم الخدمة تلقائيًا بتدريب نموذج اكتشاف احتيال مخصص واختباره ونشره بناءً على معلوماتك الفريدة. خلال هذه العملية، يُمكنك تعزيز أداء نموذجك من خلال سلسلة من النماذج المدربة مسبقًا على أنماط الاحتيال بناءً على AWS وخبرة Amazon في اكتشاف الاحتيال. ناتج هذا النموذج هو تنبؤ باحتمالية مخاطر الاحتيال، ويصدر هذا التنبؤ في شكل درجة تتراوح من 0 إلى 1000. وفي المرحلة النهائية من العملية، ستقوم بإعداد منطق القرار (على سبيل المثال، القواعد) لتفسير درجة النموذج وتعيين النتائج، مثل تمرير المعاملات أو إرسالها إلى محقّق بشري لمراجعتها.
وبعد إنشاء هذا الإطار العام، يمكنك إدماج واجهة واجهات التطبيقات البرمجية الخاصة بخدم Amazon Fraud Detector في وظائف المعاملات على موقعك الإلكتروني، مثل تسجيل الحساب أو دفع قيمة الطلب. تعالج Amazon Fraud Detector هذه الأنشطة في الوقت الفعلي وتقدم التنبؤات بالاحتيال خلال أجزاء من الثانية لمساعدتك في ضبط تجربة المستخدم النهائي لديك.
صُممت Amazon Fraud Detector لحالات الاستخدام المتعلقة بالاحتيال عبر الإنترنت التي تتطلب نماذج تعلم آلي في الوقت الفعلي وتقييمًا يستند إلى القواعد. على سبيل المثال:
نعم. يمكنك تخصيص Amazon Fraud Detector لكل حالة استخدام، عن طريق استخدام مزيج يجمع بين نماذج التعلم الآلي (ML) لـ Amazon Fraud Detector، ونماذج Amazon SageMaker، والقواعد. أولاً، اجمع بيانات المخاطر ذات الصلة كي يتم استخدامها كمدخلات لتقييم الاحتيال. تشمل هذه المعلومات عناوين البريد الإلكتروني، وأرقام الهواتف، وعناوين IP. تغذي هذه البيانات نموذج تعلم آلي، الذي يتوصل بدوره إلى درجة معينة. وأخيرًا، يمكنك استخدام قواعد الاكتشاف من أجل تفسير الدرجة وغيرها من بيانات المخاطر لصنع قرارات مثل الموافقة على مطالبة، أو إرسال الطلبات إلى محلّلي الاحتيال بغرض التحقيق. يمكن أن يكون أحد الأمثلة على قاعدة بسيطة وناتجها المقابل: “IF model_score < 50 & credit_card_country = US THEN approve_order.”
بفضل 20 عامًا من الخبرة في الاحتيال، أدركت Amazon كيف تزاول الجهات الفاعلة المسيئة مختلف أشكال الاحتيال عبر الإنترنت. تساعدك Amazon Fraud Detector في الاستفادة من هذه المعلومات. خلال العملية الآلية لتدريب النماذج، تستخدم Amazon Fraud Detector سلسلةً من النماذج المُدرَّبة على أنماط من AWS وخبرة Amazon الخاصة حول الاحتيال من أجل تعزيز أداء نموذجك.
تدرِِّب Amazon Fraud Detector نماذج التعلم الآلي لاكتشاف الاحتيال المخصَّصة وتختبرها وتنشرها تلقائيًا بناءً على بيانات الاحتيال التاريخية لديك، بدون الحاجة إلى خبرة في التعلم الآلي. بالنسبة إلى المطوّرين من ذوي الخبرة الأكبر في التعلم الآلي، يمكن إضافة نماذجك الخاصة إلى Amazon Fraud Detector باستخدام Amazon SageMaker.
تتيح Amazon Fraud Detector إمكانية إجراء التنبؤات بالاحتيال القائمة على القواعد باستخدام التعلم الآلي أو بدونه. مع Amazon Fraud Detector، يمكنك كتابة قواعد الاكتشاف (مثل: “IF model_score < 50 & credit_card_country = US THEN approve_order”) باستخدام لغة كتابة قواعد بسيطة. يمكنك أيضًا تحديد الطلب الذي تُحدثِه القواعد خلال إجراء تقييم باستخدام واجهة ذكية.
نعم، يمكنك مراجعة تقييمات الاحتيال السابقة لتدقيق منطق القرار باستخدام وحدة تحكم Amazon Fraud Detector. في وحدة تحكم Amazon Fraud Detector، يمكنك البحث عن الأحداث السابقة بناءً على خصائص الحدث و/أو منطق الاكتشاف المطبَّق، مثل النتيجة أو النماذج أو القواعد المستخدمة أو البيانات الوصفية للأحداث. يمكنك بعد ذلك التعمّق في كيفية تقييم منطق الاكتشاف لحدث معين.
لا. الأمن والخصوصية أهم شاغلين لدينا. لا تُشارك AWS بيانات العميل أبدًا؛ لأنها تُعد أحد مبادئنا الأساسية لكسب ثقة العملاء.