Amazon Fraud Detector ist seit dem 7. November 2025 nicht mehr für Neukunden geöffnet. Funktionen, die Amazon Fraud Detector ähneln, finden Sie SageMaker unter Amazon AutoGluon, und AWS WAF.

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Importieren Sie ein SageMaker KI-Modell
<a name="import-an-amazon-sagemaker-model"></a>

Sie können optional SageMaker KI-gestützte Modelle in Amazon Fraud Detector importieren. Ähnlich wie Modelle können SageMaker KI-Modelle zu Detektoren hinzugefügt werden und mithilfe der `GetEventPrediction` API Betrugsprognosen generieren. Im Rahmen der `GetEventPrediction` Anfrage ruft Amazon Fraud Detector Ihren SageMaker KI-Endpunkt auf und leitet die Ergebnisse an Ihre Regeln weiter.

Sie können Amazon Fraud Detector so konfigurieren, dass die als Teil der `GetEventPrediction` Anfrage gesendeten Ereignisvariablen verwendet werden. Wenn Sie sich für die Verwendung von Ereignisvariablen entscheiden, müssen Sie eine Eingabevorlage angeben. Amazon Fraud Detector verwendet diese Vorlage, um Ihre Ereignisvariablen in die erforderliche Eingabe-Payload umzuwandeln, um den SageMaker KI-Endpunkt aufzurufen. Alternativ können Sie Ihr SageMaker KI-Modell so konfigurieren, dass es einen ByteBuffer verwendet, der als Teil der Anfrage gesendet wird. `GetEventPrediction`

Amazon Fraud Detector unterstützt den Import von SageMaker KI-Algorithmen, die JSON- oder CSV-Eingabeformate und JSON- oder CSV-Ausgabeformate verwenden. Zu den unterstützten SageMaker KI-Algorithmen gehören XGBoost beispielsweise Linear Learner und Random Cut Forest.

## Importieren Sie ein SageMaker KI-Modell mit dem AWS SDK für Python (Boto3)
<a name="import-an-amazon-sagemaker-model-using-the-aws-python-sdk"></a>

Verwenden Sie die `PutExternalModel` API, um ein SageMaker KI-Modell zu importieren. Im folgenden Beispiel wird davon ausgegangen, dass der SageMaker KI-Endpunkt bereitgestellt wurde, `InService` seinen Status `sagemaker-transaction-model` hat und den XGBoost Algorithmus verwendet.

Die Eingabekonfiguration gibt an, dass die Ereignisvariablen verwendet werden, um die Modelleingabe zu erstellen (`useEventVariables`ist auf eingestellt`TRUE`). Das Eingabeformat ist TEXT\_CSV, vorausgesetzt, es ist eine CSV-Eingabe XGBoost erforderlich. Das csvInputTemplate gibt an, wie die CSV-Eingabe aus den Variablen erstellt werden soll, die als Teil der `GetEventPrediction` Anfrage gesendet wurden. In diesem Beispiel wird davon ausgegangen, dass Sie die Variablen `order_amt``prev_amt`, `hist_amt` und erstellt haben`payment_type`.

Die Ausgabekonfiguration spezifiziert das Antwortformat des SageMaker KI-Modells und ordnet den entsprechenden CSV-Index der Variablen Amazon Fraud Detector zu`sagemaker_output_score`. Nach der Konfiguration können Sie die Ausgabevariable in Regeln verwenden. 

**Anmerkung**  
Die Ausgabe eines SageMaker KI-Modells muss einer Variablen mit Quelle `EXTERNAL_MODEL_SCORE` zugeordnet werden. Sie können diese Variablen in der Konsole nicht mithilfe von **Variablen** erstellen. Sie müssen sie stattdessen erstellen, wenn Sie Ihren Modellimport konfigurieren.

```
import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.put_external_model (
modelSource = 'SAGEMAKER',
modelEndpoint = 'sagemaker-transaction-model',
invokeModelEndpointRoleArn = 'your_SagemakerExecutionRole_arn',
inputConfiguration = {
    'useEventVariables' : True,
    'eventTypeName' : 'sample_transaction',
    'format' : 'TEXT_CSV',
    'csvInputTemplate' : '{{order_amt}}, {{prev_amt}}, {{hist_amt}}, {{payment_type}}'
},

outputConfiguration = {
    'format' : 'TEXT_CSV',
    'csvIndexToVariableMap' : {
        '0' : 'sagemaker_output_score'
    }
},
    
modelEndpointStatus = 'ASSOCIATED'
)
```