自 2025 年 11 月 7 日起，Amazon Fraud Detector 不再向新客戶開放。對於類似 Amazon Fraud Detector 的功能，請探索 Amazon SageMaker、AutoGluon 和 AWS WAF。

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 建立偵測器
<a name="create-a-detector"></a>

您可以透過指定已定義的事件類型來建立偵測器。您可以選擇新增已由 Amazon Fraud Detector 訓練和部署的模型。如果您新增模型，您可以在建立規則時，在規則表達式中使用 Amazon Fraud Detector 產生的模型分數 （例如 `$model score < 90`)。

 您可以在 Amazon Fraud Detector 主控台、使用 [PutDetector](https://docs.aws.amazon.com//frauddetector/latest/api/API_PutDetector.html) API、使用 [put-detector](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/put-detector.html) 命令或使用 AWS SDK 建立偵測器。如果您使用 API、命令或 SDK 來建立偵測器，則在建立偵測器之後，請遵循 的指示[建立偵測器版本](create-a-detector-version.md)。

## 在 Amazon Fraud Detector 主控台中建立偵測器
<a name="create-detector-console"></a>

此範例假設您已建立事件類型，也已建立並部署您想要用於詐騙預測的模型版本。

### 步驟 1：建置偵測器
<a name="step-1-build-detector-console"></a>

1. 在 Amazon Fraud Detector 主控台的左側導覽窗格中，選擇**偵測器**。

1. 選擇**建立偵測器**。

1. 在**定義偵測器詳細資訊**頁面中，輸入`sample_detector`偵測器名稱。或者，輸入偵測器的描述，例如 `my sample fraud detector`。

1. 針對**事件類型**，選取您為詐騙預測建立的事件類型。

1. 選擇**下一步**。

### 步驟 2：新增部署的模型版本
<a name="add-deployed-model-console"></a>

1. 請注意，這是選用步驟。您不需要將模型新增至偵測器。若要略過此步驟，選擇**下一步**。

1. 在**新增模型 - 選用**中，選擇**新增模型**。

1. 在**新增模型**頁面中，針對**選取模型**，選擇您先前部署的 Amazon Fraud Detector 模型名稱。針對**選取版本**，選擇已部署模型的模型版本。

1. 選擇 **Add model (新增模型)**。

1. 選擇**下一步**。

### 步驟 3：新增規則
<a name="add-rules-to-detector-console"></a>

規則是告訴 Amazon Fraud Detector 在評估詐騙預測時如何解譯變數值的條件。此範例將使用模型分數作為變數值來建立三個規則：`high_fraud_risk`、 `medium_fraud_risk`和 `low_fraud_risk`。若要建立您自己的規則、規則表達式、規則執行順序和結果，請使用適合您模型和使用案例的值。

1. 在**新增規則**頁面的**定義規則**下，`high_fraud_risk`為規則名稱輸入 ，然後在**描述 - 選用**下，輸入 **This rule captures events with a high ML model score**作為規則的描述。

1. 在**表達式**中，使用 Amazon Fraud Detector 簡化規則表達式語言輸入下列規則表達式：

   `$sample_fraud_detection_model_insightscore > 900`

1. 在**結果**中，選擇**建立新結果**。結果是詐騙預測的結果，如果規則在評估期間相符，則會傳回結果。

1. 在**建立新的結果**中，輸入 `verify_customer`做為結果名稱。或者，輸入描述。

1. 選擇**儲存結果**。

1. 選擇**新增規則**以執行規則驗證檢查程式並儲存規則。建立之後，Amazon Fraud Detector 會將規則用於偵測器。

1. 選擇**新增另一個規則**，然後選擇**建立規則**索引標籤。

1. 再重複此程序兩次，使用下列`low_fraud_risk`規則詳細資訊建立您的 `medium_fraud_risk`和 規則：
   + medium\$1fraud\$1risk

     規則名稱： `medium_fraud_risk`

     結果： `review`

     表達式：

     `$sample_fraud_detection_model_insightscore <= 900 and`

     `$sample_fraud_detection_model_insightscore > 700`
   + low\$1fraud\$1risk

     規則名稱： `low_fraud_risk`

     結果： `approve`

     表達式：

     `$sample_fraud_detection_model_insightscore <= 700`

1. 建立使用案例的所有規則之後，請選擇**下一步**。

   如需建立和撰寫規則的詳細資訊，請參閱 [Rules](rules.md)和 [規則語言參考](rule-language-reference.md)。

### 步驟 4：設定規則執行和規則順序
<a name="get-start-define-rule-order-console"></a>

偵測器中包含之規則的規則執行模式會決定是否評估您定義的所有規則，或是否在第一個相符規則停止規則評估。而規則順序會決定您希望規則執行的順序。

預設規則執行模式為 `FIRST_MATCHED`。

**第一個相符項目**  
第一個相符規則執行模式會根據定義的規則順序傳回第一個相符規則的結果。若您指定 `FIRST_MATCHED`，Amazon Fraud Detector 會從頭到尾依序評估規則，並在遇到第一個相符規則後停止評估。然後，Amazon Fraud Detector 會提供該單一規則的結果。  
您在 中執行規則的順序可能會影響產生的詐騙預測結果。建立規則之後，請依照下列步驟重新排序規則，以所需順序執行規則：  
如果您的`high_fraud_risk`規則尚未在規則清單頂端，請選擇**順序**，然後選擇 **1**。這會`high_fraud_risk`移至第一個位置。  
重複此程序，讓您的`medium_fraud_risk`規則位於第二個位置，而您的`low_fraud_risk`規則位於第三個位置。

**所有相符項目**  
無論規則順序為何，所有相符的規則執行模式都會傳回所有相符規則的結果。如果您指定 `ALL_MATCHED`，Amazon Fraud Detector 會評估所有規則，並傳回所有相符規則的結果。

針對`FIRST_MATCHED`此教學課程選取 ，然後選擇**下一步**。

### 步驟 5：檢閱並建立偵測器版本
<a name="get-start-review-and-create-detector-version-console"></a>

偵測器版本定義用於產生詐騙預測的特定模型和規則。

1. 在**檢閱和建立**頁面中，檢閱您設定的偵測器詳細資訊、模型和規則。如果您需要進行任何變更，請選擇對應區段旁的**編輯**。

1. 選擇**建立偵測器**。建立之後，偵測器的第一個版本會出現在偵測器版本資料表中，其中包含`Draft`狀態。

   您可以使用**草稿**版本來測試您的偵測器。

## 使用 建立偵測器 適用於 Python (Boto3) 的 AWS SDK
<a name="create-a-detector-using-the-aws-python-sdk"></a>

下列範例顯示 `PutDetector` API 的範例請求。偵測器可做為偵測器版本的容器。`PutDetector` API 指定偵測器將評估的事件類型。下列範例假設您已建立事件類型 `sample_registration`。

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

fraudDetector.put_detector (
detectorId = 'sample_detector',
eventTypeName = 'sample_registration'
)
```