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

# Importer un modèle d' SageMaker IA
<a name="import-an-amazon-sagemaker-model"></a>

Vous pouvez éventuellement importer des modèles SageMaker hébergés par l'IA dans Amazon Fraud Detector. Tout comme les modèles, les modèles d' SageMaker IA peuvent être ajoutés aux détecteurs et générer des prédictions de fraude à l'aide de l'`GetEventPrediction`API. Dans le cadre de la `GetEventPrediction` demande, Amazon Fraud Detector invoquera votre point de terminaison SageMaker AI et transmettra les résultats à vos règles.

Vous pouvez configurer Amazon Fraud Detector pour utiliser les variables d'événement envoyées dans le cadre de la `GetEventPrediction` demande. Si vous choisissez d'utiliser des variables d'événement, vous devez fournir un modèle de saisie. Amazon Fraud Detector utilisera ce modèle pour transformer vos variables d'événement en la charge utile d'entrée requise pour appeler le point de terminaison SageMaker AI. Vous pouvez également configurer votre modèle d' SageMaker IA pour utiliser un ByteBuffer envoyé dans le cadre de la `GetEventPrediction` demande.

Amazon Fraud Detector prend en charge l'importation d'algorithmes d' SageMaker IA qui utilisent les formats d'entrée JSON ou CSV et les formats de sortie JSON ou CSV. Parmi les algorithmes d' SageMaker IA pris en charge XGBoost, citons Linear Learner et Random Cut Forest.

## Importez un modèle d' SageMaker IA à l'aide du AWS SDK pour Python (Boto3)
<a name="import-an-amazon-sagemaker-model-using-the-aws-python-sdk"></a>

Pour importer un modèle d' SageMaker IA, utilisez l'`PutExternalModel`API. L'exemple suivant suppose que le point de terminaison SageMaker AI `sagemaker-transaction-model` a été déployé, qu'il est en `InService` état et qu'il utilise l' XGBoost algorithme.

La configuration d'entrée indique qui utilisera les variables d'événement pour construire l'entrée du modèle (`useEventVariables`définie sur`TRUE`). Le format d'entrée est TEXT\_CSV, étant donné qu' XGBoost il nécessite une entrée CSV. csvInputTemplate Spécifie comment construire l'entrée CSV à partir des variables envoyées dans le cadre de la `GetEventPrediction` demande. Cet exemple suppose que vous avez créé les variables `order_amt``prev_amt`, `hist_amt` et`payment_type`.

La configuration de sortie spécifie le format de réponse du modèle d' SageMaker IA et mappe l'index CSV approprié à la variable Amazon Fraud Detector`sagemaker_output_score`. Une fois configurée, vous pouvez utiliser la variable de sortie dans les règles. 

**Note**  
La sortie d'un modèle d' SageMaker IA doit être mappée à une variable avec source`EXTERNAL_MODEL_SCORE`. Vous ne pouvez pas créer ces variables dans la console à l'aide de **variables**. Vous devez plutôt les créer lorsque vous configurez l'importation de votre modèle.

```
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'
)
```