Amazon Fraud Detector non è più aperto a nuovi clienti a partire dal 7 novembre 2025. Per funzionalità simili a Amazon Fraud Detector, esplora Amazon SageMaker, e AutoGluon. AWS WAF
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Informazioni sulle frodi nelle transazioni
Il tipo di modello Transaction Fraud Insights è progettato per rilevare le frodi sulle transazioni online o in assenza di carta. Transaction Fraud Insights è un modello di apprendimento automatico supervisionato, il che significa che utilizza esempi storici di transazioni fraudolente e legittime per addestrare il modello.
Il modello Transaction Fraud Insights utilizza un insieme di algoritmi di apprendimento automatico per l'arricchimento, la trasformazione e la classificazione delle frodi dei dati. Sfrutta un motore di ingegneria delle funzionalità per creare aggregati a livello di entità e a livello di evento. Come parte del processo di formazione del modello, Transaction Fraud Insights arricchisce elementi di dati grezzi come indirizzo IP e numero BIN con dati di terze parti come la geolocalizzazione dell'indirizzo IP o la banca emittente di una carta di credito. Oltre ai dati di terze parti, Transaction Fraud Insights utilizza algoritmi di deep learning che tengono conto dei modelli di frode osservati su Amazon e AWS questi modelli di frode diventano funzionalità di input per il modello utilizzando un algoritmo di potenziamento dell'albero del gradiente.
Per aumentare le prestazioni, Transaction Fraud Insights ottimizza gli iperparametri dell'algoritmo di potenziamento dell'albero del gradiente tramite un processo di ottimizzazione bayesiano, addestrando in sequenza dozzine di modelli diversi con parametri del modello variabili (come numero di alberi, profondità degli alberi, numero di campioni per foglia) e diverse strategie di ottimizzazione come la ponderazione della popolazione di frodi minoritaria per far fronte a tassi di frode molto bassi.
Come parte del processo di formazione del modello, il motore di ingegneria delle funzionalità del modello Transaction Fraud calcola i valori per ogni entità univoca all'interno del set di dati di addestramento per contribuire a migliorare le previsioni sulle frodi. Ad esempio, durante il processo di formazione, Amazon Fraud Detector calcola e memorizza l'ultima volta che un'entità ha effettuato un acquisto e aggiorna dinamicamente questo valore ogni volta che chiami l'API or. GetEventPrediction SendEvent Durante una previsione di frode, le variabili relative agli eventi vengono combinate con altri metadati relativi a entità ed eventi per prevedere se la transazione è fraudolenta.
Selezione dell'origine dei dati
I modelli Transaction Fraud Insights vengono addestrati solo su set di dati archiviati internamente con Amazon Fraud Detector (INGESTED_EVENTS). Ciò consente ad Amazon Fraud Detector di aggiornare continuamente i valori calcolati relativi alle entità che stai valutando. Per ulteriori informazioni sulle fonti di dati disponibili, consulta Memorizzazione dei dati degli eventi
Preparazione dei dati
Prima di addestrare un modello Transaction Fraud Insights, assicurati che il tuo file di dati contenga tutte le intestazioni come indicato nel set di dati degli eventi Prepare. Il modello Transaction Fraud Insights confronta le nuove entità ricevute con gli esempi di entità fraudolente e legittime presenti nel set di dati, quindi è utile fornire molti esempi per ciascuna entità.
Amazon Fraud Detector trasforma automaticamente il set di dati degli eventi archiviato nel formato corretto per la formazione. Una volta completato l'addestramento del modello, puoi esaminare le metriche delle prestazioni e determinare se aggiungere entità al tuo set di dati di addestramento.
Selezione dei dati
Per impostazione predefinita, Transaction Fraud Insights si basa sull'intero set di dati archiviato per il tipo di evento selezionato. Facoltativamente, puoi impostare un intervallo di tempo per ridurre gli eventi utilizzati per addestrare il tuo modello. Quando impostate un intervallo di tempo, assicuratevi che i record utilizzati per addestrare il modello abbiano avuto un tempo sufficiente per maturare. Cioè, è trascorso abbastanza tempo per garantire che i registri legittimi e fraudolenti siano stati identificati correttamente. Ad esempio, per le frodi con chargeback, spesso sono necessari 60 giorni o più per identificare correttamente gli eventi fraudolenti. Per ottenere le migliori prestazioni del modello, assicurati che tutti i record del set di dati di formazione siano maturi.
Non è necessario selezionare un intervallo di tempo che rappresenti un tasso di frode ideale. Amazon Fraud Detector campiona automaticamente i tuoi dati per raggiungere un equilibrio tra tassi di frode, intervallo di tempo e numero di persone giuridiche.
Amazon Fraud Detector restituisce un errore di convalida durante l'addestramento del modello se selezioni un intervallo di tempo per il quale non ci sono abbastanza eventi per addestrare correttamente un modello. Per i set di dati archiviati, il campo EVENT_LABEL è facoltativo, ma gli eventi devono essere etichettati per essere inclusi nel set di dati di addestramento. Quando configuri l'addestramento del modello, puoi scegliere se ignorare gli eventi senza etichetta, assumere un'etichetta legittima per gli eventi senza etichetta o assumere un'etichetta fraudolenta per gli eventi senza etichetta.
Variabili di evento
Il tipo di evento utilizzato per addestrare il modello deve contenere almeno 2 variabili, oltre ai metadati degli eventi richiesti, che hanno superato la convalida dei dati e possono contenere fino a 100 variabili. In genere, maggiore è il numero di variabili fornite, migliore è la capacità del modello di distinguere tra frodi ed eventi legittimi. Sebbene il modello Transaction Fraud Insight possa supportare dozzine di variabili, incluse variabili personalizzate, ti consigliamo di includere indirizzo IP, indirizzo email, tipo di strumento di pagamento, prezzo dell'ordine e BIN della carta.
Convalida dei dati
Come parte del processo di formazione, Transaction Fraud Insights convalida il set di dati di formazione per i problemi di qualità dei dati che potrebbero influire sull'addestramento dei modelli. Dopo aver convalidato i dati, Amazon Fraud Detector intraprende le azioni appropriate per creare il miglior modello possibile. Ciò include l'emissione di avvisi per potenziali problemi di qualità dei dati, la rimozione automatica delle variabili che presentano problemi di qualità dei dati o l'emissione di un errore e l'interruzione del processo di addestramento del modello. Per ulteriori informazioni, vedere Convalida del set di dati.
Amazon Fraud Detector emetterà un avviso ma continuerà ad addestrare un modello se il numero di entità uniche è inferiore a 1.500 perché ciò può influire sulla qualità dei dati di addestramento. Se ricevi un avviso, rivedi la metrica delle prestazioni.
