Kernkonzepte und Begriffe

Ein Ereignis ist die Geschäftsaktivität Ihrer Organisation, die auf Betrugsrisiko hin bewertet wird. Amazon Fraud Detector generiert Betrugsvorhersagen für Ereignisse.

Ein Label klassifiziert ein einzelnes Ereignis als betrügerisches oder legitimes Ereignis. Labels werden verwendet, um Machine-Learning-Modelle in Amazon Fraud Detector zu trainieren.

Eine Entität stellt dar, wer das Ereignis ausführt. Sie geben die Entitäts-ID als Teil der Betrugsdaten Ihres Unternehmens an, um die spezifische Entität anzugeben, die das Ereignis durchgeführt hat.

Ein Ereignistyp definiert die Struktur für ein Ereignis, das an Amazon Fraud Detector gesendet wird. Dazu gehören die im Rahmen des Ereignisses gesendeten Daten, die Entität, die das Ereignis ausführt (z. B. ein Kunde), und die Labels, die das Ereignis klassifizieren. Beispiele für Ereignistypen sind Online-Zahlungstransaktionen, Kontoregistrierungen und Authentifizierung.

Ein Entitätstyp klassifiziert die Entität. Zu den Beispielklassifizierungen gehören Kunden, Händler oder Konto.

Der Ereignisdatensatz ist die historischen Daten einer bestimmten Geschäftsaktivität oder eines Ereignisses Ihres Unternehmens. Die Veranstaltung Ihres Unternehmens könnte beispielsweise die Online-Kontoregistrierung sein. Daten aus einem einzelnen Ereignis (Registrierung) können die zugehörige IP-Adresse, E-Mail-Adresse, Rechnungsadresse und den Zeitstempel des Ereignisses enthalten. Sie stellen Amazon Fraud Detector einen Ereignisdatensatz zur Verfügung, um Modelle zur Betrugserkennung zu erstellen und zu trainieren.

Ein Modell ist eine Ausgabe von Machine-Learning-Algorithmen. Diese Algorithmen werden im Code implementiert und auf von Ihnen bereitgestellten Ereignisdaten ausgeführt.

Der Modelltyp definiert die Algorithmen, Anreicherungen und Feature-Transformationen, die während des Modelltrainings verwendet werden. Außerdem werden die Datenanforderungen für das Training des Modells definiert. Diese Definitionen dienen dazu, Ihr Modell für eine bestimmte Art von Betrug zu optimieren. Sie geben den Modelltyp an, der beim Erstellen Ihres Modells verwendet werden soll.

Modelltraining ist der Prozess der Verwendung eines bereitgestellten Ereignisdatensatzes, um ein Modell zu erstellen, das betrügerische Ereignisse vorhersagen kann. Alle Schritte des Modelltrainingsprozesses sind vollständig automatisiert. Zu diesen Schritten gehören Datenvalidierung, Datentransformation, Feature-Engineering, Algorithmusauswahl und Modelloptimierung.

Die Modellbewertung ist das Bewertungsergebnis der historischen Betrugsdaten Ihres Unternehmens. Während des Modelltrainingsprozesses bewertet Amazon Fraud Detector den Datensatz auf betrügerische Aktivitäten und generiert eine Punktzahl zwischen 0 und 1000. Für diese Punktzahl steht 0 für ein geringes Betrugsrisiko, während 1 000 für das höchste Betrugsrisiko steht. Der Wert selbst steht in direktem Zusammenhang mit der falsch positiven Rate (FPR).

Eine Modellversion ist eine Ausgabe des Trainings eines Modells.

Die Modellbereitstellung ist ein Prozess, um eine Modellversion zu aktivieren und sie für die Generierung von Betrugsvorhersagen verfügbar zu machen.

Zusätzlich zur Erstellung von Modellen mit Amazon Fraud Detector können Sie optional von gehostete Modellendpunkte in Amazon Fraud Detector SageMaker-Bewertungen verwenden.

Weitere Informationen zum Erstellen eines Modells in SageMakerfinden Sie unter Trainieren eines Modells mit Amazon SageMaker AI.

Ein Detektor enthält die Erkennungslogik wie das Modell und die Regeln für ein bestimmtes Ereignis, das Sie auf Betrug prüfen möchten. Sie erstellen einen Detektor mit einer Modellversion.

Ein Detektor kann mehrere Versionen haben, wobei jede Version den Status Draft, Activeoder hatInactive. Es kann jeweils nur eine Detektorversion den Active Status haben.

Eine Variable stellt ein Datenelement dar, das einem Ereignis zugeordnet ist, das Sie bei einer Betrugsvorhersage verwenden möchten. Variablen können entweder mit einem Ereignis als Teil einer Betrugsvorhersage gesendet oder abgeleitet werden, z. B. durch die Ausgabe eines Amazon Fraud Detector-Modells oder Amazon SageMaker AI.

Eine Regel ist eine Bedingung, die Amazon Fraud Detector mitteilt, wie Variablenwerte während einer Betrugsvorhersage interpretiert werden. Eine Regel besteht aus einer oder mehreren Variablen, einem logischen Ausdruck und einem oder mehreren Ergebnissen. Die in der Regel verwendeten Variablen müssen Teil des Ereignisdatensatzes sein, den der Detektor auswertet. Darüber hinaus muss jedem Detektor mindestens eine Regel zugeordnet sein.

Dies ist das Ergebnis oder die Ausgabe einer Betrugsvorhersage. Jede Regel, die in einer Betrugsvorhersage verwendet wird, muss ein oder mehrere Ergebnisse angeben.

Die Betrugsvorhersage ist eine Bewertung des Betrugs entweder für ein einzelnes Ereignis oder eine Reihe von Ereignissen. Amazon Fraud Detector generiert Betrugsvorhersagen für ein einzelnes Online-Ereignis in Echtzeit, indem es synchron eine Modellbewertung und ein Ergebnis auf der Grundlage der Regeln bereitstellt. Amazon Fraud Detector generiert Betrugsvorhersagen für eine Reihe von Ereignissen offline. Sie können die Vorhersagen verwenden proof-of-concept, um einen Offline- durchzuführen oder das Betrugsrisiko stündlich, täglich oder wöchentlich nachträglich zu bewerten.

Erklärungen zur Betrugsvorhersage geben Aufschluss darüber, wie sich jede Variable auf den Betrugsvorhersagewert Ihres Modells ausgewirkt hat. Es enthält Informationen darüber, wie jede Variable die Risikobewertungen in Bezug auf das Ausmaß (im Bereich von 0 bis 5, wobei 5 am höchsten ist) und die Richtung (das Antreiben der Punktzahl höher oder niedriger) beeinflusst.