Teil B: Generieren Sie Betrugsprognosen - Amazon Fraud Detector

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.

Teil B: Generieren Sie Betrugsprognosen

Die Betrugsprognose ist eine Bewertung von Betrug im Zusammenhang mit einer Geschäftsaktivität (Ereignis). Amazon Fraud Detector verwendet Detektoren, um Betrugsprognosen zu erstellen. Ein Detektor enthält Erkennungslogik wie Modelle und Regeln für ein bestimmtes Ereignis, das Sie auf Betrug hin auswerten möchten. Die Erkennungslogik verwendet Regeln, um Amazon Fraud Detector mitzuteilen, wie die mit dem Modell verknüpften Daten zu interpretieren sind. In diesem Tutorial bewerten Sie das Ereignis bei der Kontoregistrierung anhand des Beispieldatensatzes zur Kontoregistrierung, den Sie zuvor hochgeladen haben.

In Teil A haben Sie Ihr Modell erstellt, trainiert und bereitgestellt. In Teil B erstellen Sie einen Detektor für den sample_registration Ereignistyp, fügen das bereitgestellte Modell hinzu, erstellen Regeln und eine Reihenfolge für die Regelausführung und erstellen und aktivieren dann eine Version des Detektors, mit der Sie Betrugsvorhersagen generieren.

Um einen Detektor zu erstellen

  1. Wählen Sie im linken Navigationsbereich der Amazon Fraud Detector Detector-Konsole die Option Detectors aus.

  2. Wählen Sie Detektor erstellen.

  3. Geben sample_detector Sie auf der Seite „Melderdetails definieren“ den Namen des Melders ein. Geben Sie optional eine Beschreibung für den Detektor ein, z. my sample fraud detector B.

  4. Wählen Sie als Ereignistyp die Option sample_registration aus. Dies ist das Ereignis, das Sie in Teil A dieses Tutorials erstellt haben.

  5. Wählen Sie Weiter.

Wenn Sie Teil A dieses Tutorials abgeschlossen haben, verfügen Sie wahrscheinlich bereits über ein Amazon Fraud Detector Detector-Modell, das Sie Ihrem Detektor hinzufügen können. Wenn Sie noch kein Modell erstellt haben, gehen Sie zu Teil A und führen Sie die Schritte zum Erstellen, Trainieren und Bereitstellen eines Modells aus. Fahren Sie dann mit Teil B fort.

  1. Wählen Sie unter Modell hinzufügen — optional die Option Modell hinzufügen aus.

  2. Wählen Sie auf der Seite Modell hinzufügen für Modell auswählen den Amazon Fraud Detector Detector-Modellnamen aus, den Sie zuvor bereitgestellt haben. Wählen Sie für Version auswählen die Modellversion des bereitgestellten Modells aus.

  3. Wählen Sie Add model aus.

  4. Wählen Sie Weiter.

Eine Regel ist eine Bedingung, die Amazon Fraud Detector mitteilt, wie die Modellleistungsbewertung bei der Bewertung von Betrugsprognosen zu interpretieren ist. Für dieses Tutorial erstellen Sie drei Regeln: high_fraud_riskmedium_fraud_risk, undlow_fraud_risk.

  1. Geben high_fraud_risk Sie auf der Seite Regeln hinzufügen unter Regel definieren den Regelnamen und unter Beschreibung — optional den Namen This rule captures events with a high ML model score als Beschreibung für die Regel ein.

  2. Geben Sie im Feld Ausdruck den folgenden Regelausdruck in der vereinfachten Regelausdruckssprache von Amazon Fraud Detector ein:

    $sample_fraud_detection_model_insightscore > 900

  3. Wählen Sie unter Ergebnisse die Option Neues Ergebnis erstellen aus. Ein Ergebnis ist das Ergebnis einer Betrugsprognose und wird zurückgegeben, wenn die Regel während einer Bewertung zutrifft.

  4. Geben verify_customerSie im Feld Neues Ergebnis erstellen den Namen des Ergebnisses ein. Geben Sie optional eine Beschreibung ein.

  5. Wählen Sie „Ergebnis speichern“.

  6. Wählen Sie Regel hinzufügen, um die Regelvalidierungsprüfung auszuführen und die Regel zu speichern. Nach der Erstellung stellt Amazon Fraud Detector die Regel zur Verwendung in Ihrem Detektor zur Verfügung.

  7. Wählen Sie Weitere Regel hinzufügen und wählen Sie dann die Registerkarte Regel erstellen.

  8. Wiederholen Sie diesen Vorgang noch zweimal, um Ihre eigenen medium_fraud_risk low_fraud_risk Regeln mit den folgenden Regeldetails zu erstellen:

    • mittleres Betrugsrisiko

      Name der Regel: medium_fraud_risk

      Ergebnis: review

      Ausdruck:

      $sample_fraud_detection_model_insightscore <= 900 and

      $sample_fraud_detection_model_insightscore > 700

    • niedriges Betrugsrisiko

      Name der Regel: low_fraud_risk

      Ergebnis: approve

      Ausdruck:

      $sample_fraud_detection_model_insightscore <= 700

    Diese Werte sind Beispiele, die für dieses Tutorial verwendet wurden. Wenn Sie Regeln für Ihren eigenen Detektor erstellen, verwenden Sie Werte, die für Ihr Modell und Ihren Anwendungsfall geeignet sind.

  9. Nachdem Sie alle drei Regeln erstellt haben, wählen Sie Weiter.

    Weitere Informationen zum Erstellen und Schreiben von Regeln finden Sie unter Regeln undReferenz zur Regelsprache.

Der Regelausführungsmodus für die Regeln, die im Detektor enthalten sind, bestimmt, ob alle von Ihnen definierten Regeln ausgewertet werden oder ob die Regelauswertung bei der ersten übereinstimmenden Regel beendet wird. Und die Reihenfolge der Regeln bestimmt die Reihenfolge, in der die Regel ausgeführt werden soll.

Der Standardausführungsmodus für Regeln istFIRST_MATCHED.

Zuerst abgeglichen

Der Ausführungsmodus „Erste übereinstimmende Regel“ gibt die Ergebnisse für die erste übereinstimmende Regel auf der Grundlage der definierten Regelreihenfolge zurück. Wenn Sie FIRST_MATCHED angeben bewertet Amazon Fraud Detector die Regeln nacheinander von der ersten bis zur letzten und stoppt dabei bei der ersten übereinstimmenden Regel. Amazon Fraud Detector liefert dann die Ergebnisse für diese einzelne Regel.

Die Reihenfolge, in der Sie Regeln ausführen, kann sich auf das Ergebnis der Betrugsprognose auswirken. Nachdem Sie Ihre Regeln erstellt haben, ordnen Sie die Regeln neu an, sodass sie in der gewünschten Reihenfolge ausgeführt werden. Gehen Sie dazu wie folgt vor:

Wenn Ihre high_fraud_risk Regel noch nicht ganz oben in Ihrer Regelliste steht, wählen Sie Reihenfolge und dann 1 aus. Dies wird high_fraud_risk an die erste Position verschoben.

Wiederholen Sie diesen Vorgang, sodass sich Ihre medium_fraud_risk Regel an der zweiten Position und Ihre low_fraud_risk Regel an der dritten Position befindet.

Alle übereinstimmend

Der Ausführungsmodus „Alle übereinstimmenden Regeln“ gibt unabhängig von der Reihenfolge der Regeln Ergebnisse für alle übereinstimmenden Regeln zurück. Wenn Sie angebenALL_MATCHED, bewertet Amazon Fraud Detector alle Regeln und gibt die Ergebnisse für alle übereinstimmenden Regeln zurück.

Wählen Sie FIRST_MATCHED für dieses Tutorial aus und klicken Sie dann auf Weiter.

Eine Detector-Version definiert die spezifischen Modelle und Regeln, die zur Generierung von Betrugsprognosen verwendet werden.

  1. Überprüfen Sie auf der Seite Überprüfen und erstellen die von Ihnen konfigurierten Detektordetails, Modelle und Regeln. Wenn Sie Änderungen vornehmen müssen, wählen Sie neben dem entsprechenden Abschnitt Bearbeiten aus.

  2. Wählen Sie Detektor erstellen. Nach der Erstellung wird die erste Version Ihres Melders in der Tabelle mit den Detektorversionen mit Draft Status angezeigt.

    Sie verwenden die Entwurfsversion, um Ihren Detektor zu testen.

In der Amazon Fraud Detector Detector-Konsole können Sie die Logik Ihres Melders anhand von Scheindaten mit der Funktion Test ausführen testen. Für dieses Tutorial können Sie Kontoregistrierungsdaten aus dem Beispieldatensatz verwenden.

  1. Scrollen Sie unten auf der Seite mit den Detector-Versionsdetails zu Test ausführen.

  2. Geben Sie für Ereignis-Metadaten einen Zeitstempel ein, zu dem das Ereignis eingetreten ist, und geben Sie eine eindeutige Kennung für die Entität ein, die das Ereignis ausführt. Wählen Sie für dieses Tutorial ein Datum aus der Datumsauswahl für den Zeitstempel aus und geben Sie „1234“ als Entitäts-ID ein.

  3. Geben Sie unter Eventvariable die Variablenwerte ein, die Sie testen möchten. Für dieses Tutorial benötigen Sie nur die email_address Felder ip_address und. Dies liegt daran, dass dies die Eingaben sind, die zum Trainieren Ihres Amazon Fraud Detector Detector-Modells verwendet werden. Sie können die folgenden Beispielwerte verwenden. Dies setzt voraus, dass Sie die vorgeschlagenen Variablennamen verwendet haben:

    • ip_address: 205.251.233.178

    • email_adresse: johndoe@exampledomain.com

  4. Wählen Sie Test ausführen aus.

  5. Amazon Fraud Detector gibt das Ergebnis der Betrugsvorhersage auf der Grundlage des Regelausführungsmodus zurück. Wenn der Regelausführungsmodus istFIRST_MATCHED, entspricht das zurückgegebene Ergebnis der ersten Regel, die zutrifft. Die erste Regel ist die Regel mit der höchsten Priorität. Sie gilt als erfüllt, wenn sie als wahr bewertet wird. Wenn der Regelausführungsmodus istALL_MATCHED, entspricht das zurückgegebene Ergebnis allen Regeln, die übereinstimmten. Das bedeutet, dass sie alle als wahr bewertet werden. Amazon Fraud Detector gibt auch die Modellbewertung für alle Modelle zurück, die zu Ihrem Detektor hinzugefügt wurden.

    Sie können die Eingaben ändern und einige Tests durchführen, um unterschiedliche Ergebnisse zu erzielen. Sie können die Werte ip_address und email_address aus Ihrem Beispieldatensatz für die Tests verwenden und prüfen, ob die Ergebnisse den Erwartungen entsprechen.

  6. Wenn Sie mit der Funktionsweise des Detektors zufrieden sind, stufen Sie ihn von bis hoch. Draft Active Dadurch steht der Detektor für die Betrugserkennung in Echtzeit zur Verfügung.

    Wählen Sie auf der Detailseite der Detector-Version die Optionen Aktionen, Veröffentlichen, Version veröffentlichen aus. Dadurch ändert sich der Status des Melders von „Entwurf“ in „Aktiv“.

    Zu diesem Zeitpunkt sind Ihr Modell und die zugehörige Detektorlogik bereit, Online-Aktivitäten mithilfe der Amazon Fraud Detector GetEventPrediction API in Echtzeit auf Betrug zu untersuchen. Sie können Ereignisse auch offline mithilfe einer CSV-Eingabedatei und der CreateBatchPredictionJob API auswerten. Weitere Informationen zur Betrugsprognose finden Sie unter Betrugsprognosen

Durch das Abschließen dieses Tutorials haben Sie Folgendes getan:

  • Hat einen Beispiel-Ereignisdatensatz auf Amazon S3 hochgeladen.

  • Mithilfe des Beispieldatensatzes wurde ein Betrugserkennungsmodell von Amazon Fraud Detector erstellt und trainiert.

  • Die Leistungsbewertung des Modells und andere Leistungskennzahlen, die Amazon Fraud Detector generiert hat, wurden angezeigt.

  • Das Modell zur Betrugserkennung wurde eingesetzt.

  • Es wurde ein Detektor erstellt und das bereitgestellte Modell hinzugefügt.

  • Dem Detektor wurden Regeln, die Reihenfolge der Regelausführung und die Ergebnisse hinzugefügt.

  • Der Detektor wurde getestet, indem verschiedene Eingaben bereitgestellt und geprüft wurden, ob die Regeln und die Reihenfolge der Regelausführung wie erwartet funktionierten.

  • Der Detektor wurde aktiviert, indem er veröffentlicht wurde.