Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Importa un modello SageMaker

Facoltativamente, puoi importare modelli SageMaker ospitati in Amazon Fraud Detector. Analogamente ai modelli, SageMaker i modelli possono essere aggiunti ai rilevatori e generare previsioni di frode utilizzando l'API. GetEventPrediction Come parte della GetEventPrediction richiesta, Amazon Fraud Detector richiamerà il tuo SageMaker endpoint e passerà i risultati alle tue regole.

Puoi configurare Amazon Fraud Detector per utilizzare le variabili di evento inviate come parte della GetEventPrediction richiesta. Se scegli di utilizzare variabili di evento, devi fornire un modello di input. Amazon Fraud Detector utilizzerà questo modello per trasformare le variabili degli eventi nel payload di input richiesto per richiamare l'endpoint. SageMaker In alternativa, puoi configurare il tuo SageMaker modello per utilizzare un ByteBuffer inviato come parte della richiesta. GetEventPrediction

Amazon Fraud Detector supporta SageMaker algoritmi di importazione che utilizzano formati di input JSON o CSV e formati di output JSON o CSV. Esempi di SageMaker algoritmi supportati includono XGBoost, Linear Learner e Random Cut Forest.

Importa un modello utilizzando il SageMaker AWS SDK for Python (Boto3)

Per importare un SageMaker modello, utilizza l'PutExternalModelAPI. L'esempio seguente presuppone che l' SageMaker endpoint sia sagemaker-transaction-model stato distribuito, sia in stato e utilizzi l'InServicealgoritmo XGBoost.

La configurazione di input specifica che utilizzerà le variabili di evento per costruire l'input del modello (è impostato su). useEventVariables TRUE Il formato di input è TEXT_CSV, dato che XGBoost richiede un input CSV. csvInputTemplate Specificano come costruire l'input CSV dalle variabili inviate come parte della richiesta. GetEventPrediction Questo esempio presuppone che tu abbia creato le variabiliorder_amt, e. prev_amt hist_amt payment_type

La configurazione di output specifica il formato di risposta del SageMaker modello e associa l'indice CSV appropriato alla variabile Amazon Fraud Detector. sagemaker_output_score Una volta configurata, puoi utilizzare la variabile di output nelle regole.

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'
)