Conceitos e termos fundamentais

Um evento é a atividade comercial da sua organização que é avaliada quanto ao risco de fraude. O Amazon Fraud Detector gera previsões de fraudes para eventos.

Um rótulo classifica um único evento como fraudulento ou legítimo. Os rótulos são usados para treinar modelos de aprendizado de máquina no Amazon Fraud Detector.

Uma entidade representa quem está realizando o evento. Você fornece o ID da entidade como parte dos dados de fraude da sua empresa para indicar a entidade específica que realizou o evento.

Um tipo de evento define a estrutura de um evento enviado ao Amazon Fraud Detector. Isso inclui os dados enviados como parte do evento, a entidade que realiza o evento (como um cliente) e os rótulos que classificam o evento. Exemplos de tipos de eventos incluem transações de pagamento on-line, registros de contas e autenticação.

Um tipo de entidade classifica a entidade. Classificações de exemplo incluem cliente, comerciante ou conta.

O conjunto de dados do evento são os dados históricos da sua empresa sobre uma atividade comercial específica ou um evento. Por exemplo, o evento da sua empresa pode ser o registro de uma conta on-line. Os dados de um único evento (registro) podem incluir o endereço IP, endereço de e-mail, endereço de cobrança e data e hora do evento associados. Você fornece um conjunto de dados de eventos ao Amazon Fraud Detector para criar e treinar modelos de detecção de fraudes.

Um modelo é uma saída de algoritmos de aprendizado de máquina. Esses algoritmos são implementados em código e executados nos dados de eventos que você fornece.

O tipo de modelo define os algoritmos, os enriquecimentos e as transformações de recursos que são usados durante o treinamento do modelo. Ele também define os requisitos de dados para treinar o modelo. Essas definições funcionam para otimizar seu modelo para um tipo específico de fraude. Você especifica o tipo de modelo a ser usado ao criar seu modelo.

O treinamento de modelos é o processo de usar um conjunto de dados de eventos fornecido para criar um modelo capaz de prever eventos fraudulentos. Todas as etapas do processo de treinamento do modelo são totalmente automatizadas. Essas etapas incluem validação de dados, transformação de dados, engenharia de recursos, seleção de algoritmos e otimização de modelos.

A pontuação do modelo é o resultado da avaliação dos dados históricos de fraudes da sua empresa. Durante o processo de treinamento do modelo, o Amazon Fraud Detector avalia o conjunto de dados em busca de atividades fraudulentas e gera uma pontuação entre 0 e 1000. Para essa pontuação, 0 representa baixo risco de fraude, enquanto 1000 representa o maior risco de fraude. A pontuação em si está diretamente relacionada à taxa de falsos positivos (FPR).

Uma versão do modelo é um resultado do treinamento de um modelo.

A implantação do modelo é um processo para ativar uma versão do modelo e disponibilizá-la para gerar previsões de fraudes.

Além de criar modelos usando o Amazon Fraud Detector, você pode, opcionalmente, usar endpoints SageMaker de modelos hospedados nas avaliações do Amazon Fraud Detector.

Para obter mais informações sobre como criar um modelo em SageMaker, consulte Treinar um modelo com Amazon SageMaker AI.

Um detector contém a lógica de detecção, como o modelo e as regras de um evento específico que você deseja avaliar quanto à fraude. Você cria um detector usando uma versão modelo.

Um detector pode ter várias versões, com cada versão tendo um status deDraft,Active, ouInactive. Somente uma versão do detector pode estar em Active status por vez.

Uma variável representa um elemento de dados associado a um evento que você deseja usar em uma previsão de fraude. As variáveis podem ser enviadas com um evento como parte de uma previsão de fraude ou derivadas, como a saída de um modelo do Amazon Fraud Detector ouAmazon SageMaker AI.

Uma regra é uma condição que diz ao Amazon Fraud Detector como interpretar valores variáveis durante uma previsão de fraude. Uma regra consiste em uma ou mais variáveis, uma expressão lógica e um ou mais resultados. As variáveis usadas na regra devem fazer parte do conjunto de dados de eventos que o detector avalia. Além disso, cada detector deve ter pelo menos uma regra associada a ele.

Esse é o resultado, ou resultado, de uma previsão de fraude. Cada regra usada em uma previsão de fraude deve especificar um ou mais resultados.

A previsão de fraudes é uma avaliação da fraude em um único evento ou em um conjunto de eventos. O Amazon Fraud Detector gera previsões de fraude para um único evento on-line em tempo real, fornecendo de forma síncrona uma pontuação do modelo e um resultado com base nas regras. O Amazon Fraud Detector gera previsões de fraude para um conjunto de eventos off-line. Você pode usar as previsões para realizar uma análise off-line proof-of-concept ou para avaliar retrospectivamente o risco de fraude de hora em hora, dia ou semana.

As explicações de previsão de fraude fornecem informações sobre como cada variável afetou a pontuação de previsão de fraude do seu modelo. Ele fornece informações sobre como cada variável influencia as pontuações de risco em termos de magnitude (variando de 0 a 5, com 5 sendo o mais alto) e direção (aumentando ou diminuindo a pontuação).