O Amazon Fraud Detector não está mais aberto a novos clientes a partir de 7 de novembro de 2025. Para recursos semelhantes ao Amazon Fraud Detector SageMaker, explore Amazon AutoGluon, AWS WAF e.

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

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

Opcionalmente, você pode importar modelos SageMaker hospedados em IA para o Amazon Fraud Detector. Assim como os modelos, os modelos de SageMaker IA podem ser adicionados aos detectores e gerar previsões de fraudes usando a `GetEventPrediction` API. Como parte da `GetEventPrediction` solicitação, o Amazon Fraud Detector invocará seu endpoint de SageMaker IA e transmitirá os resultados às suas regras.

Você pode configurar o Amazon Fraud Detector para usar as variáveis de evento enviadas como parte da `GetEventPrediction` solicitação. Se você optar por usar variáveis de evento, deverá fornecer um modelo de entrada. O Amazon Fraud Detector usará esse modelo para transformar suas variáveis de evento na carga de entrada necessária para invocar o endpoint de SageMaker IA. Como alternativa, você pode configurar seu modelo de SageMaker IA para usar um ByteBuffer enviado como parte da solicitação. `GetEventPrediction`

O Amazon Fraud Detector suporta a importação de algoritmos de SageMaker IA que usam formatos de entrada JSON ou CSV e formatos de saída JSON ou CSV. Exemplos de algoritmos de SageMaker IA compatíveis incluem XGBoost Linear Learner e Random Cut Forest.

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

Para importar um modelo de SageMaker IA, use a `PutExternalModel` API. O exemplo a seguir pressupõe que o endpoint de SageMaker IA `sagemaker-transaction-model` tenha sido implantado, esteja em `InService` status e use o algoritmo. XGBoost 

A configuração de entrada especifica que usará as variáveis de evento para construir a entrada do modelo (`useEventVariables`está definida como`TRUE`). O formato de entrada é TEXT\_CSV, pois XGBoost requer uma entrada CSV. csvInputTemplate Especifica como construir a entrada CSV a partir das variáveis enviadas como parte da `GetEventPrediction` solicitação. Este exemplo pressupõe que você tenha criado as variáveis `order_amt``prev_amt`, `hist_amt` e. `payment_type`

A configuração de saída especifica o formato de resposta do modelo de SageMaker IA e mapeia o índice CSV apropriado para a variável Amazon Fraud Detector. `sagemaker_output_score` Depois de configurada, você pode usar a variável de saída nas regras. 

**nota**  
A saída de um modelo de SageMaker IA deve ser mapeada para uma variável com origem`EXTERNAL_MODEL_SCORE`. Você não pode criar essas variáveis no console usando **Variáveis**. Em vez disso, você deve criá-los ao configurar a importação do 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'
)
```