亚马逊AWS官方博客
Amazon Fraud Detector 现已全面推出
公告的内容
Amazon Fraud Detector 现已全面推出！ ?
如果您错过了 2019 re:Invent 周期间的公告，Amazon Fraud Detector 最初是在 2019 年 12 月 3 日以预览模式发布的。但今天，它已全面推出，供客户查看。
什么是 Amazon Fraud Detector？
Amazon Fraud Detector 是一项完全托管的服务，可用于轻松识别潜在的网络欺诈行为，例如在线支付欺诈和创建虚假账户。
你知道吗，每年全世界因网络欺诈造成的经济损失达数百亿美元？
开展网上业务的公司必须时刻警惕欺诈行为，比如伪造账户和用被盗信用卡进行支付。 他们识别欺诈者的一种方法是使用欺诈检测应用程序，其中一些应用程序使用了 Machine Learning (ML)。
进入 Amazon Fraud Detector！ 这项服务使用您的数据、ML 并利用 Amazon 20 多年的欺诈检测专业知识自动识别潜在的网络欺诈行为，使您可以更快的抓获更多欺诈行为。您只需单击几下就可以创建一个欺诈检测模型，并且不需要任何 ML 经验，因为 Fraud Detector 可以为您处理所有繁重的 ML 工作。
工作原理…
“但它的工作原理是什么？”或许你会问。??♀️
非常高兴你提出这样的问题！ 我们用 5 个主要步骤对它进行总结。???
- 步骤 1：定义您要评估是否具有欺诈性的事件。
- 步骤 2：上传您的历史事件数据集到 Amazon S3 中并选择一种欺诈检测模型类型。
- 步骤 3：Amazon Fraud Detector 将您的历史数据用作输入来构建自定义模型。该服务会自动检查和丰富数据，执行功能工程、选择算法、训练和调优您的模型并托管模型。
- 步骤 4：创建规则以基于模型预测接受、审查或收集更多信息。
- 步骤 5：从您的在线应用程序调用 Amazon Fraud Detector API，以接收实时欺诈预测并基于配置的检测规则采取措施。 （示例：电子商务应用程序可以发送电子邮件和 IP 地址，并从您的规则（例如审查）中接收欺诈评分以及输出）
我们来看一下演示…
我们来进行一下演示，以更好地了解它们是如何结合在一起的。在今天的博客文章中，我们将带您逐步了解两个主要组件：构建 Amazon Fraud Detector 模型和生成实时欺诈预测。
第 1 部分：构建 Amazon Fraud Detector 模型
我们首先将虚构生成的训练数据上传到 S3 存储桶中。事实上，用户指南中有示例数据集，我们可以使用。当我们下载该 CSV 文件后，我们需要将此训练数据放入 S3 存储桶中。
出于上下文考虑，我们也来打开这个 CSV 文件，看看里面有什么…
??注：使用 Amazon Fraud Detector，您最少能够选择 2 个变量来训练模型，而不仅仅是电子邮件和 IP 地址。（事实上，该模型最多支持 100 个输入！）
我们继续定义（创建）事件。事件本质上是特定事件的一组属性。我们对想要进行欺诈评估的事件的结构进行了定义。（Amazon Fraud Detector 评估“事件”是否存在欺诈。）
我们来创建一个新实体。此实体代表触发事件的人或物。
我们继续了解 Event Variables（事件变量）。我们将从训练数据集中选择变量。这样一来，我们可以使用之前提到的 CSV 文件并拉入标题中。
对于 IAM role（IAM 角色）部分，我们创建一个新角色。我将使用与我刚创建的存储桶相同的名称“fraud-detector-training-data”。
现在，我们可以上传之前提到的 CSV 文件，以拉入标题中。
由于我们将定义模型，我们必须至少定义两个标签。
最后，我们来创建事件！
如果一切顺利，我们将看到一个绿色的条，提醒我们事件已成功创建！
现在，是时候创建模型了。
我们来花点时间定义模型详细信息。我们确保选择以前创建的事件类型。
我们继续配置训练并确保选择 Fraud（欺诈）和 Legitimate（合法）标签下的标签。（这使我们可以将分类分开，以便模型可以学会区分这两个表。）
模型需要 30-40 分钟，最多需要数小时，具体取决于数据集大小。此示例数据集大约需要 40 分钟来训练模型。
在本篇博客文章中，我们假设已跳过 40 分钟训练已完成模型的时间。??
您还可以查看您的模型性能指标！
现在，我们可以继续部署模型。
弹出的模型要求我们确认这是我们想要部署的版本。
第 2 部分：生成实时欺诈预测
是时候生成实时欺诈预测了！ 准备好了吗？
此时，您已经拥有了一个满意的已部署模型，并且想要将它用于获取预测。
我们必须构建检测器，检测器是您的模型和规则的容器，是您想要用于评估事件的检测逻辑。
我们继续来定义检测器详细信息。
我们还要确保选择以前创建的事件。
现在，我们选择模型。
我们继续来制定一些阈值规则。
这些规则可说明模型的输出。它们还决定了探测器的输出。
我们再来指定两个规则。
除了 high_fraud_risk 标签之外，我们还想添加 low_fraud_risk 和 medium_fraud_risk 标签。
请记住，这些规则阈值只是示例。当您为自己的检测器创建规则时，您应该基于您的模型、数据和业务使用适当的值。
现在，在本博文的示例中，这些特定阈值从来不会同时匹配。
这意味着，任一个规则执行模式都适合在我们当前的示例中使用。
哇！ 我们已经创建好自己的检测器。
现在，我们来点击 Rules（规则）选项卡。
我们还可以在 Models（模型）选项卡下查看我们有哪些模型。
如果我们返回 Overview（概述）选项卡，我们甚至可以运行快速测试！ 我们可以运行测试，以从检测器的输出中采样。
当我们准备就绪后，我们可以发布此版本的检测器使其成为活动版本。每个检测器一次都可以有一个活动版本。
弹出模型要求我们确认我们已准备好发布此版本。
下一步是运行实时预测！ 我们来用 Amazon SageMaker 笔记本展示一次性示例预测，看看它会是什么样子。
我们移动到 Amazon SageMaker 控制台，并转到 Notebook（笔记本）实例。
在此情况下，您可以看到，我已经有一个 Jupyter 笔记本，已准备好运行。
我们将要运行 get_event_prediction 数据块。这是我们的主运行时 API，客户可以使用脚本来调用它，以运行一批示例预测。或者，客户还可以将此 API 集成到他们的应用程序中以生成实时预测，并根据风险动态调整用户体验。
运行此数据块之后，我们收到下面几个模型评分结果。
我们在此检测器中有 1 个模型，它返回的评分为 933。根据我们创建的规则，这意味着我们认为此交易返回的是 high_fraud_risk。
我们再回到 Amazon Fraud Detector 控制台并查看检测器中的规则。
从检测器规则中，我们可以看到，如果风险评分超过 900，则结果应为 verify_customer。
循环到此完成！
现在，我们确认，您可以实时调用此检测器并获得自己的欺诈预测。
? 最后…
Amazon Fraud Detector 现已向客户全面推出，可以与很多 AWS 服务集成，例如 Amazon CloudWatch、AWS CloudTrail、AWS PrivateLink 等。
要了解 Amazon Fraud Detector 的更多信息，请访问网站和开发人员指南。
感谢阅读！
~Alejandra ??♀️? y Canela ?