Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Créer un modèle

Les modèles Amazon Fraud Detector apprennent à détecter les fraudes liées à un type d'événement spécifique. Dans Amazon Fraud Detector, vous devez d'abord créer un modèle, qui sert de conteneur pour les versions de votre modèle. Chaque fois que vous entraînez un modèle, une nouvelle version est créée. Pour plus de détails sur la création et l'entraînement d'un modèle à l'aide de la AWS console, reportez-vous àÉtape 3 : créer le modèle.

Chaque modèle possède une variable de score correspondante. Amazon Fraud Detector crée cette variable en votre nom lorsque vous créez un modèle. Vous pouvez utiliser cette variable dans vos expressions de règles pour interpréter les scores de votre modèle lors d'une évaluation de fraude.

Entraînez et déployez un modèle à l'aide du AWS SDK for Python (Boto3)

Une version du modèle est créée en appelant les CreateModelVersion opérations CreateModel et. CreateModellance le modèle, qui agit comme un conteneur pour les versions de votre modèle. CreateModelVersionlance le processus de formation, qui aboutit à une version spécifique du modèle. Une nouvelle version de la solution est créée chaque fois que vous appelez CreateModelVersion.

L'exemple suivant montre un exemple de demande pour l'CreateModelAPI. Cet exemple crée le type de modèle Online Fraud Insights et suppose que vous avez créé un type d'événementsample_registration. Pour plus de détails sur la création d'un type d'événement, consultezCréation d'un type d'événement.

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

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

Entraînez votre première version à l'aide de l'CreateModelVersionAPI. Pour TrainingDataSource et ExternalEventsDetail spécifiez la source et l'emplacement Amazon S3 de l'ensemble de données d'entraînement. Pour cela, TrainingDataSchema spécifiez la manière dont Amazon Fraud Detector doit interpréter les données d'entraînement, en particulier les variables d'événement à inclure et la manière de classer les étiquettes des événements. Par défaut, Amazon Fraud Detector ignore les événements non étiquetés. Cet exemple de code utilise AUTO for unlabeledEventsTreatment pour spécifier qu'Amazon Fraud Detector décide comment utiliser les événements non étiquetés.

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'
}
)

Une demande réussie donnera lieu à une nouvelle version du modèle avec statutTRAINING_IN_PROGRESS. À tout moment pendant la formation, vous pouvez annuler la formation en appelant UpdateModelVersionStatus et en mettant à jour le statut surTRAINING_CANCELLED. Une fois la formation terminée, le statut de la version du modèle passe àTRAINING_COMPLETE. Vous pouvez consulter les performances du modèle à l'aide de la console Amazon Fraud Detector ou en appelantDescribeModelVersions. Pour plus d'informations sur la façon d'interpréter les scores et les performances des modèles, reportez-vous Scores du modèle aux sections etIndicateurs de performance du modèle.

Après avoir examiné les performances du modèle, activez-le pour que les détecteurs puissent l'utiliser dans le cadre de prévisions de fraude en temps réel. Amazon Fraud Detector déploiera le modèle dans plusieurs zones de disponibilité à des fins de redondance, l'auto-scaling étant activé pour garantir que le modèle évolue en fonction du nombre de prédictions de fraude que vous effectuez. Pour activer le modèle, appelez l'UpdateModelVersionStatusAPI et mettez à jour le statut surACTIVE.

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'
)