Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Creación de un modelo

Los modelos de Amazon Fraud Detector aprenden a detectar el fraude en un tipo de evento específico. En Amazon Fraud Detector, primero debe crear un modelo, que actúa como contenedor para las versiones de su modelo. Cada vez que entrena un modelo, se crea una nueva versión. Para obtener más información sobre cómo crear y entrenar un modelo mediante la AWS consola, consultePaso 3: Crear un modelo.

Cada modelo tiene una variable de puntuación correspondiente. Amazon Fraud Detector crea esta variable en tu nombre cuando creas un modelo. Puede utilizar esta variable en las expresiones de sus reglas para interpretar las puntuaciones del modelo durante una evaluación de fraude.

Entrene e implemente un modelo utilizando el AWS SDK for Python (Boto3)

Se crea una versión del modelo llamando a las CreateModelVersion operaciones CreateModel y. CreateModelinicia el modelo, que actúa como contenedor para las versiones del modelo. CreateModelVersioninicia el proceso de formación, que da como resultado una versión específica del modelo. Se crea una nueva versión de la solución cada vez que se llama a CreateModelVersion.

En el siguiente ejemplo, se muestra un ejemplo de solicitud para la CreateModel API. En este ejemplo, se crea el tipo de modelo Online Fraud Insights y se supone que se ha creado un tipo de eventosample_registration. Para obtener información adicional sobre la creación de un tipo de evento, consulteCrear un tipo de evento.

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

fraudDetector.create_model (
modelId = 'sample_fraud_detection_model',
eventTypeName = 'sample_registration',
modelType = 'ONLINE_FRAUD_INSIGHTS')

Entrena tu primera versión con la CreateModelVersionAPI. Para TrainingDataSource y ExternalEventsDetail especifique la fuente y la ubicación en Amazon S3 del conjunto de datos de entrenamiento. Para ello, TrainingDataSchema especifique cómo Amazon Fraud Detector debe interpretar los datos de formación, específicamente qué variables de eventos incluir y cómo clasificar las etiquetas de los eventos. De forma predeterminada, Amazon Fraud Detector ignora los eventos no etiquetados. Este código de ejemplo se utiliza AUTO for unlabeledEventsTreatment para especificar que Amazon Fraud Detector decide cómo utilizar los eventos no etiquetados.

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

fraudDetector.create_model_version (
modelId = 'sample_fraud_detection_model',
modelType = 'ONLINE_FRAUD_INSIGHTS',
trainingDataSource = 'EXTERNAL_EVENTS',
trainingDataSchema = {
    'modelVariables' : ['ip_address', 'email_address'],
    'labelSchema' : {
        'labelMapper' : {
            'FRAUD' : ['fraud'],
            'LEGIT' : ['legit']
        }
       unlabeledEventsTreatment = 'AUTO'
    }
}, 
externalEventsDetail = {
    'dataLocation' : 's3://bucket/file.csv',
    'dataAccessRoleArn' : 'role_arn'
}
)

Si la solicitud es correcta, aparecerá una nueva versión del modelo con el estado TRAINING_IN_PROGRESS correcto. En cualquier momento de la formación, puedes cancelarla llamando UpdateModelVersionStatus y actualizando el estado aTRAINING_CANCELLED. Una vez finalizada la formación, el estado de la versión del modelo se actualizará aTRAINING_COMPLETE. Puedes revisar el rendimiento del modelo en la consola de Amazon Fraud Detector o llamando por teléfonoDescribeModelVersions. Para obtener más información sobre cómo interpretar las puntuaciones y el rendimiento de los modelos, consulte Puntuaciones del modelo yMétricas de rendimiento del modelo.

Tras revisar el rendimiento del modelo, actívelo para que los detectores puedan utilizarlo en las predicciones de fraudes en tiempo real. Amazon Fraud Detector desplegará el modelo en varias zonas de disponibilidad para garantizar la redundancia y activará el autoscaling para garantizar que el modelo se adapte al número de predicciones de fraude que realice. Para activar el modelo, llame a la UpdateModelVersionStatus API y actualice el estado a. ACTIVE

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

fraudDetector.update_model_version_status (
modelId = 'sample_fraud_detection_model',
modelType = 'ONLINE_FRAUD_INSIGHTS',
modelVersionNumber = '1.00',
status = 'ACTIVE'
)