Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Impor SageMaker model

Anda dapat secara opsional mengimpor model yang SageMaker di-host ke Amazon Fraud Detector. Mirip dengan SageMaker model, model dapat ditambahkan ke detektor dan menghasilkan prediksi penipuan menggunakan API. GetEventPrediction Sebagai bagian dari GetEventPrediction permintaan, Amazon Fraud Detector akan memanggil SageMaker titik akhir Anda dan meneruskan hasilnya ke aturan Anda.

Anda dapat mengonfigurasi Amazon Fraud Detector untuk menggunakan variabel peristiwa yang dikirim sebagai bagian dari GetEventPrediction permintaan. Jika Anda memilih untuk menggunakan variabel acara, Anda harus memberikan template masukan. Amazon Fraud Detector akan menggunakan template ini untuk mengubah variabel event Anda menjadi payload input yang diperlukan untuk memanggil endpoint. SageMaker Atau, Anda dapat mengonfigurasi SageMaker model Anda untuk menggunakan ByteBuffer yang dikirim sebagai bagian dari permintaan. GetEventPrediction

Amazon Fraud Detector mendukung pengimporan SageMaker algoritme yang menggunakan format input JSON atau CSV dan format keluaran JSON atau CSV. Contoh SageMaker algoritma yang didukung termasuk XGBoost, Linear Learner, dan Random Cut Forest.

Impor SageMaker model menggunakan AWS SDK for Python (Boto3)

Untuk mengimpor SageMaker model, gunakan PutExternalModel API. Contoh berikut mengasumsikan SageMaker titik akhir sagemaker-transaction-model telah digunakan, adalah InService status, dan menggunakan algoritma XGBoost.

Konfigurasi input menentukan yang akan menggunakan variabel peristiwa untuk membangun input model (useEventVariablesdiatur keTRUE). Format input adalah TEXT_CSV, mengingat XGBoost membutuhkan input CSV. csvInputTemplate Menentukan bagaimana membangun input CSV dari variabel yang dikirim sebagai bagian dari permintaan. GetEventPrediction Contoh ini mengasumsikan Anda telah membuat variabelorder_amt,prev_amt, hist_amt danpayment_type.

Konfigurasi keluaran menentukan format respons SageMaker model, dan memetakan indeks CSV yang sesuai ke variabel Amazon Fraud Detector. sagemaker_output_score Setelah dikonfigurasi, Anda dapat menggunakan variabel output dalam aturan.

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'
)