O Amazon Fraud Detector não está mais aberto para novos clientes a partir de 7 de novembro de 2025. Para recursos semelhantes ao Amazon Fraud Detector, explore a Amazon SageMaker AutoGluon, e. AWS WAF

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Criar um modelo

Os modelos do Amazon Fraud Detector aprendem a detectar fraudes em um tipo específico de evento. No Amazon Fraud Detector, você primeiro cria um modelo, que funciona como um contêiner para suas versões de modelo. Cada vez que você treina um modelo, uma nova versão é criada. Para obter detalhes sobre como criar e treinar um modelo usando o AWS console, consulteEtapa 3: criar modelo.

Cada modelo tem uma variável de pontuação do modelo correspondente. O Amazon Fraud Detector cria essa variável em seu nome quando você cria um modelo. Você pode usar essa variável em suas expressões de regras para interpretar as pontuações do modelo durante uma avaliação de fraude.

Treine e implante um modelo usando o AWS SDK para Python (Boto3)

Uma versão do modelo é criada chamando CreateModel as CreateModelVersion operações e. CreateModelinicia o modelo, que funciona como um contêiner para suas versões do modelo. CreateModelVersioninicia o processo de treinamento, que resulta em uma versão específica do modelo. Uma nova versão da solução é criada cada vez que você chama CreateModelVersion.

O exemplo a seguir mostra um exemplo de solicitação para a CreateModel API. Este exemplo cria o tipo de modelo Online Fraud Insights e presume que você tenha criado um tipo de sample_registration evento. Para obter detalhes adicionais sobre a criação de um tipo de evento, consulteCrie um tipo de evento.

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

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

Treine sua primeira versão usando a CreateModelVersion API. Para TrainingDataSource e ExternalEventsDetail especifique a origem e a localização do conjunto de dados de treinamento no Amazon S3. Para TrainingDataSchema especificar como o Amazon Fraud Detector deve interpretar os dados de treinamento, especificamente quais variáveis de evento incluir e como classificar os rótulos dos eventos. Por padrão, o Amazon Fraud Detector ignora os eventos não marcados. Este código de exemplo usa AUTO for unlabeledEventsTreatment para especificar que o Amazon Fraud Detector decida como usar os eventos não marcados.

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'
}
)

Uma solicitação bem-sucedida resultará em uma nova versão do modelo com statusTRAINING_IN_PROGRESS. A qualquer momento durante o treinamento, você pode cancelar o treinamento ligando UpdateModelVersionStatus e atualizando o status paraTRAINING_CANCELLED. Quando o treinamento for concluído, o status da versão do modelo será atualizado paraTRAINING_COMPLETE. Você pode analisar o desempenho do modelo usando o console do Amazon Fraud Detector ou DescribeModelVersions ligando. Para obter mais informações sobre como interpretar as pontuações e o desempenho do modelo, consulte Pontuações do modelo Métricas de desempenho do modelo e.

Depois de analisar o desempenho do modelo, ative o modelo para disponibilizá-lo para uso pelos Detectores em previsões de fraudes em tempo real. O Amazon Fraud Detector implantará o modelo em várias zonas de disponibilidade para redundância com o escalonamento automático ativado para garantir que o modelo se adapte ao número de previsões de fraude que você está fazendo. Para ativar o modelo, chame a UpdateModelVersionStatus API e atualize o status paraACTIVE.

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'
)