Amazon Fraud Detector dejará de estar abierto a nuevos clientes a partir del 7 de noviembre de 2025. Para obtener funciones similares a Amazon Fraud Detector, explore Amazon SageMaker, AutoGluon, y AWS WAF.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Importe un modelo de SageMaker IA
<a name="import-an-amazon-sagemaker-model"></a>

Si lo desea, puede importar modelos SageMaker alojados en IA a Amazon Fraud Detector. Al igual que los modelos, los modelos de SageMaker IA se pueden añadir a los detectores y generar predicciones de fraude mediante la `GetEventPrediction` API. Como parte de la `GetEventPrediction` solicitud, Amazon Fraud Detector invocará tu punto de conexión de SageMaker IA y transferirá los resultados a tus reglas.

Puede configurar Amazon Fraud Detector para que utilice las variables de evento enviadas como parte de la `GetEventPrediction` solicitud. Si decide utilizar variables de evento, debe proporcionar una plantilla de entrada. Amazon Fraud Detector utilizará esta plantilla para transformar las variables de tus eventos en la carga útil de entrada necesaria para invocar el punto final de SageMaker IA. Como alternativa, puede configurar su modelo de SageMaker IA para que utilice un ByteBuffer que se envíe como parte de la solicitud. `GetEventPrediction`

Amazon Fraud Detector admite la importación de algoritmos de SageMaker IA que utilizan formatos de entrada JSON o CSV y formatos de salida JSON o CSV. Algunos ejemplos de algoritmos de SageMaker IA compatibles son XGBoost Linear Learner y Random Cut Forest.

## Importe un modelo de SageMaker IA mediante el AWS SDK para Python (Boto3)
<a name="import-an-amazon-sagemaker-model-using-the-aws-python-sdk"></a>

Para importar un modelo de SageMaker IA, utilice la `PutExternalModel` API. En el siguiente ejemplo, se supone que el punto final de la SageMaker IA se `sagemaker-transaction-model` ha implementado, se encuentra en `InService` estado y utiliza el XGBoost algoritmo.

La configuración de entrada especifica que se utilizarán las variables de evento para construir la entrada del modelo (`useEventVariables`se establece en`TRUE`). El formato de entrada es TEXT\_CSV, dado que XGBoost requiere una entrada CSV. csvInputTemplate Especifica cómo construir la entrada CSV a partir de las variables enviadas como parte de la `GetEventPrediction` solicitud. En este ejemplo se supone que ha creado las variables `order_amt``prev_amt`, `hist_amt` y`payment_type`.

La configuración de salida especifica el formato de respuesta del modelo de SageMaker IA y asigna el índice CSV correspondiente a la variable Amazon Fraud Detector`sagemaker_output_score`. Una vez configurada, puede utilizar la variable de salida en las reglas. 

**nota**  
La salida de un modelo de SageMaker IA debe asignarse a una variable con origen`EXTERNAL_MODEL_SCORE`. No puede crear estas variables en la consola mediante **Variables**. En su lugar, debe crearlas al configurar la importación del modelo.

```
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'
)
```