이점

Amazon Fraud Detector는 다음과 같은 이점을 제공합니다. 이러한 이점을 통해 기존에 사기 관리 시스템을 구축하고 유지 관리하는 데 필요했던 시간과 리소스를 투자하지 않고도 사기를 빠르게 탐지할 수 있습니다.

자동화된 사기 모델 생성

Amazon Fraud Detector의 사기 탐지 모델은 특정 비즈니스 요구 사항에 맞게 사용자 지정된 완전 자동화된 기계 학습 모델입니다. Amazon Fraud Detector 모델을 사용하여 신규 계정 생성, 온라인 결제, 게스트 체크아웃과 같은 모든 온라인 거래에서 잠재적 사기를 식별할 수 있습니다.

사기 모델은 자동화된 프로세스를 통해 생성되므로 모델 생성 및 교육과 관련된 많은 단계를 생략할 수 있습니다. 이러한 단계에는 데이터 검증 및 강화, 기능 엔지니어링, 알고리즘 선택, 하이퍼파라미터 조정, 모델 배포 등이 포함됩니다.

Amazon Fraud Detector를 사용하여 사기 탐지 모델을 생성하려면 회사의 과거 사기 데이터 세트를 업로드하고 모델 유형만 선택하면 됩니다. 그러면 Amazon Fraud Detector가 사용 사례에 가장 적합한 사기 탐지 알고리즘을 자동으로 찾아 모델을 생성합니다. 부정 행위 탐지 모델을 생성하기 위해 코딩에 대한 지식이나 기계 학습 전문 지식이 없어도 됩니다.

진화하고 학습하는 사기 모델

사기 탐지 모델은 변화하는 사기 환경에 발맞추어 끊임없이 진화해야 합니다. Amazon Fraud Detector는 계정 기간, 마지막 활동 이후 시간, 활동 횟수 등의 정보를 계산하여 이를 자동으로 수행합니다. 결과적으로 모델은 거래를 자주 하는 신뢰할 수 있는 고객과 일반적인 사기꾼의 지속적인 시도 간의 차이를 학습합니다. 이렇게 하면 재교육 세션 사이에 모델의 성능을 더 오래 유지할 수 있습니다.

사기 모델 성능 시각화

제공된 데이터를 사용하여 모델을 학습한 후 Amazon Fraud Detector는 모델 성능을 검증합니다. 또한 성능을 평가할 수 있는 시각적 도구도 제공합니다. 학습한 각 모델에 대해 모델 성능 점수, 점수 분포 그래프, 오차 행렬, 임계값 테이블 및 제공한 모든 입력이 모델 성능에 미치는 영향을 기준으로 순위가 매겨진 것을 볼 수 있습니다. 이러한 성능 도구를 사용하면 모델이 어떻게 작동하고 어떤 입력이 모델 성능을 주도하는지 알 수 있습니다. 필요한 경우 모델을 조정하여 전반적인 성능을 개선할 수 있습니다.

사기 예측

Amazon Fraud Detector는 조직의 비즈니스 활동에 대한 사기 예측을 생성합니다. 사기 예측은 비즈니스 활동을 대상으로 사기 위험을 평가하는 것입니다. Amazon Fraud Detector는 활동과 관련된 데이터와 함께 예측 로직을 사용하여 예측을 생성합니다. 사기 탐지 모델을 생성할 때 이 데이터를 제공했습니다. 단일 활동에 대한 사기 예측을 실시간으로 얻거나 오프라인에서 일련의 활동에 대한 사기 예측을 얻을 수 있습니다.

사기 예측 설명 시각화

Amazon Fraud Detector는 사기 예측 프로세스의 일부로 예측 설명을 생성합니다. 예측 설명은 모델 학습에 사용된 각 데이터 요소가 모델의 사기 예측 점수에 어떤 영향을 미쳤는지에 대한 통찰력을 제공합니다. 예측 설명은 표 및 그래프와 같은 시각적 도구를 사용하여 제공됩니다. 이러한 도구를 사용하여 각 데이터 요소가 예측 점수에 미치는 영향을 시각적으로 식별할 수 있습니다. 그런 다음 이 정보를 사용하여 데이터 세트 전반의 사기 패턴을 분석하고 편향이 있는 경우 이를 찾아낼 수 있습니다. 마지막으로 예측 설명을 사용하여 수동 사기 조사 프로세스 중에 주요 위험 지표를 식별할 수도 있습니다. 이를 통해 오탐지 예측으로 이어지는 근본 원인을 좁힐 수 있습니다.

규칙 기반 조치

사기 탐지 모델을 학습한 후에는 평가된 데이터에 대해 데이터 수락, 검토용 데이터 전송, 추가 데이터 수집 등의 조치를 취하는 규칙을 추가할 수 있습니다. 규칙은 Amazon Fraud Detector에 사기 예측 중에 데이터를 해석하는 방법을 알려주는 조건입니다. 예를 들어, 의심스러운 고객 계정을 플래그로 지정하여 검토하도록 하는 규칙을 생성할 수 있습니다. 탐지된 모델 점수가 모두 미리 정해진 기준치를 초과하고 계정 결제의 승인 코드 (AUTH_CODE) 가 유효하지 않은 경우 이 규칙이 시작되도록 설정할 수 있습니다.