Amazon Fraud Detector n'est plus ouvert aux nouveaux clients depuis le 7 novembre 2025. Pour des fonctionnalités similaires à celles d'Amazon Fraud Detector SageMaker, explorez Amazon AutoGluon, et AWS WAF.

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Créer un modèle

Les modèles Amazon Fraud Detector apprennent à détecter les fraudes pour un type d'événement spécifique. Dans Amazon Fraud Detector, vous créez d'abord un modèle, qui fait office de conteneur pour les versions de votre modèle. Chaque fois que vous entraînez un modèle, une nouvelle version est créée. Pour plus de détails sur la création et l'entraînement d'un modèle à l'aide de la AWS console, voirÉtape 3 : Création du modèle.

Chaque modèle possède une variable de score correspondante. Amazon Fraud Detector crée cette variable en votre nom lorsque vous créez un modèle. Vous pouvez utiliser cette variable dans vos expressions de règles pour interpréter les scores de votre modèle lors d'une évaluation de fraude.

Entraînez et déployez un modèle à l'aide du AWS SDK pour Python (Boto3)

Une version du modèle est créée en appelant les CreateModelVersion opérations CreateModel and. CreateModellance le modèle, qui fait office de conteneur pour les versions de votre modèle. CreateModelVersionlance le processus de formation, qui aboutit à une version spécifique du modèle. Une nouvelle version de la solution est créée chaque fois que vous appelez CreateModelVersion.

L'exemple suivant montre un exemple de demande pour l'CreateModelAPI. Cet exemple crée le type de modèle Online Fraud Insights et suppose que vous avez créé un type d'événementsample_registration. Pour plus de détails sur la création d'un type d'événement, consultezCréation d'un type d'événement.

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

fraudDetector.create_model (
modelId = 'sample_fraud_detection_model',
eventTypeName = 'sample_registration',
modelType = 'ONLINE_FRAUD_INSIGHTS')

Entraînez votre première version à l'aide de l'CreateModelVersionAPI. Pour TrainingDataSource et ExternalEventsDetail spécifiez la source et l'emplacement Amazon S3 de l'ensemble de données d'entraînement. Pour TrainingDataSchema spécifier la manière dont Amazon Fraud Detector doit interpréter les données de formation, en particulier les variables d'événement à inclure et la manière de classer les libellés des événements. Par défaut, Amazon Fraud Detector ignore les événements non étiquetés. Cet exemple de code utilise AUTO for unlabeledEventsTreatment pour spécifier qu'Amazon Fraud Detector décide de la manière d'utiliser les événements non étiquetés.

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

fraudDetector.create_model_version (
modelId = 'sample_fraud_detection_model',
modelType = 'ONLINE_FRAUD_INSIGHTS',
trainingDataSource = 'EXTERNAL_EVENTS',
trainingDataSchema = {
    'modelVariables' : ['ip_address', 'email_address'],
    'labelSchema' : {
        'labelMapper' : {
            'FRAUD' : ['fraud'],
            'LEGIT' : ['legit']
        }
       unlabeledEventsTreatment = 'AUTO'
    }
}, 
externalEventsDetail = {
    'dataLocation' : 's3://bucket/file.csv',
    'dataAccessRoleArn' : 'role_arn'
}
)

Une demande réussie donnera lieu à une nouvelle version du modèle avec statutTRAINING_IN_PROGRESS. À tout moment pendant la formation, vous pouvez annuler la formation en appelant UpdateModelVersionStatus et en mettant à jour le statut àTRAINING_CANCELLED. Une fois la formation terminée, l'état de la version du modèle sera mis à jour àTRAINING_COMPLETE. Vous pouvez vérifier les performances du modèle à l'aide de la console Amazon Fraud Detector ou en appelantDescribeModelVersions. Pour plus d'informations sur la façon d'interpréter les scores et les performances des modèles, consultez Scores des modèles etMétriques de performance des modèles.

Après avoir examiné les performances du modèle, activez-le pour que les détecteurs puissent l'utiliser dans les prévisions de fraude en temps réel. Amazon Fraud Detector déploiera le modèle dans plusieurs zones de disponibilité à des fins de redondance, la mise à l'échelle automatique étant activée pour garantir que le modèle s'adapte au nombre de prévisions de fraude que vous faites. Pour activer le modèle, appelez l'UpdateModelVersionStatusAPI et mettez à jour le statut surACTIVE.

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

fraudDetector.update_model_version_status (
modelId = 'sample_fraud_detection_model',
modelType = 'ONLINE_FRAUD_INSIGHTS',
modelVersionNumber = '1.00',
status = 'ACTIVE'
)