使用AWS SageMaker的欺诈检测加速器

利用MongoDB Atlas和Amazon SageMaker Canvas，用实时数据和AI革命性地改进金融行业的欺诈检测。强化对网络犯罪的防御。

Illustration of a secure application and a smartphone with a fingerprint scanner.

解决方案概述
参考架构
数据模型方法
构建解决方案
关键经验教训
技术与产品
资源

用例通用人工智能，欺诈预防
行业：金融服务，保险
产品与工具：Atlas，Atlas App Services，Atlas Charts，数据联邦
合作伙伴：Amazon S3，Amazon SageMaker Canvas

解决方案概述

金融服务机构面临着来自网络犯罪分子的日益增长的风险。高调的黑客攻击和欺诈交易削弱了行业信心。随着技术的不断发展，这些犯罪分子所采用的手段也在不断演变，使得反欺诈之战成为一项永恒的挑战。现有的欺诈检测系统通常面临一个关键的限制：依赖过时的数据。最新的策略通常可以在数据中看到。这就是运营数据力量的所在。

通过利用实时数据，欺诈检测模型可以在最准确和最相关的线索上进行训练。MongoDB Atlas，一个高度可扩展和灵活的开发者数据平台，结合Amazon SageMaker Canvas，一个高级的机器学习工具，为革新欺诈检测提供了开创性的机会。通过利用运营数据和利用实时洞察力，金融机构可以加强其抵御试图利用漏洞获取非法收益的网络安全犯罪者的防御。MongoDB Atlas证明了其在运营数据存储方面的实力，能够以卓越的性能和灵活性容纳高容量的交易数据。同时，Amazon SageMaker Canvas赋予业务分析师轻松利用AI/ML解决方案的能力，提供了一个无代码平台，将高级分析的力量带给他们指尖。

传统欺诈系统面临的挑战

来自传统系统的数据可见性不完整：无法访问相关数据源阻碍了欺诈模式检测。
欺诈预防系统中的延迟问题：传统系统缺乏实时处理，导致欺诈检测延迟。
适应传统系统的困难：缺乏灵活性阻碍了先进欺诈预防技术的采用。
传统系统中的安全协议较弱：过时的安全措施使系统容易受到网络攻击。
由于技术扩散造成的运营挑战：多样的技术复杂了维护和更新。
团队之间缺乏协作：孤岛式的方法导致解决方案延迟和更高的运营成本。

参考架构

下面，您将找到构建此欺诈解决方案所使用的架构。该架构包括一个端到端解决方案，用于检测银行行业不同类型的欺诈，包括信用卡欺诈检测、身份盗窃检测、账户接管检测、洗钱检测、消费者欺诈检测、内部人员欺诈检测和移动银行欺诈检测等。

架构图说明了模型训练和近实时推理。存储在MongoDB Atlas中的运营数据使用Atlas应用程序服务中的触发器功能写入Amazon S3存储桶。这样存储的数据用于在Amazon SageMaker Canvas中创建和训练模型。SageMaker Canvas将模型的元数据存储在S3存储桶中，并公开模型端点进行推理。

数据模型方法

数据被分为两个独立的文件：一个包含身份信息，另一个包含交易数据。这两个文件通过TransactionID相互关联。需要注意的是，并非每个交易都包含相关的身份详细信息。

基于上述两个数据集，我们在TransactionID上进行测试联接，将目标列添加为欺诈。

数据来源于Kaggle.

Code Snippet

构建解决方案

构建此解决方案的详细步骤指南可在以下GitHub仓库中找到。以下是对这些步骤的概述

设置S3存储桶，MongoDB Atlas数据需要导出到此。
设置 MongoDB Atlas集群
设置Atlas应用程序服务
设置AWS SageMaker域

MongoDB Atlas作为操作数据存储

MongoDB Atlas开发者数据平台是一个以云数据库为中心的一套数据服务集成套件，旨在加速并简化开发者使用数据构建的方式。它能够以灵活的模式处理大量数据，使金融机构能够轻松地实时捕获、存储和处理高容量交易数据。这意味着每个交易、每次交互以及每条运营数据都可以无缝集成到欺诈检测流程中，确保模型始终在最新和最相关的信息上进行持续训练。通过MongoDB Atlas，金融机构在反欺诈斗争中获得无与伦比的优势，释放运营数据的全部潜力，创建一个强大和主动的防御系统。

Amazon SageMaker Canvas作为AI/ML解决方案

Amazon SageMaker Canvas通过提供强大的零代码平台，彻底改变了业务分析师利用AI/ML解决方案的方式。传统上，实施AI/ML模型需要专业的技术知识，这使得许多业务分析师无法访问。然而，SageMaker Canvas通过提供一个可视化的点按界面来生成准确的ML预测，消除了这一障碍，为分类、回归、预测、自然语言处理（NLP）和计算机视觉（CV）提供准确预测。SageMaker Canvas使业务分析师能够发现有价值的信息，做出数据驱动的决策，并利用AI的力量，而不会受到技术复杂性的阻碍。它通过在工具之间共享、审查和更新ML模型来促进业务分析师和数据科学家之间的协作。它将AI/ML领域带入触手可及的范围，使分析师能够探索新的领域，在其组织中推动创新。