Στο πρώτη θέση αυτής της σειράς τριών μερών, παρουσιάσαμε μια λύση που δείχνει πώς μπορείτε να αυτοματοποιήσετε τον εντοπισμό παραποίησης εγγράφων και απάτης σε κλίμακα χρησιμοποιώντας υπηρεσίες AWS AI και μηχανικής εκμάθησης (ML) για μια περίπτωση χρήσης ενυπόθηκων δανείων.
Στο δεύτερη θέση, we discussed an approach to develop a deep learning-based computer vision model to detect and highlight forged images in mortgage underwriting.
In this post, we present a solution to automate mortgage document fraud detection using an ML model and business-defined rules with Ανιχνευτής απάτης Amazon.
Επισκόπηση λύσεων
We use Amazon Fraud Detector, a fully managed fraud detection service, to automate the detection of fraudulent activities. With an objective to improve fraud prediction accuracies by proactively identifying document fraud, while improving underwriting accuracies, Amazon Fraud Detector helps you build customized fraud detection models using a historical dataset, configure customized decision logic using the built-in rules engine, and orchestrate risk decision workflows with the click of a button.
The following diagram represents each stage in a mortgage document fraud detection pipeline.
We will now be covering the third component of the mortgage document fraud detection pipeline. The steps to deploy this component are as follows:
- Upload historical data to Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
- Select your options and train the model.
- Δημιουργήστε το μοντέλο.
- Review model performance.
- Αναπτύξτε το μοντέλο.
- Create a detector.
- Add rules to interpret model scores.
- Deploy the API to make predictions.
Προϋποθέσεις
The following are prerequisite steps for this solution:
- Εγγραφείτε για έναν λογαριασμό AWS.
- Set up permissions that allows your AWS account to access Amazon Fraud Detector.
- Collect the historical fraud data to be used to train the fraud detector model, with the following requirements:
- Data must be in CSV format and have headers.
- Two headers are required:
EVENT_TIMESTAMP
καιEVENT_LABEL
. - Data must reside in Amazon S3 in an AWS Region supported by the service.
- It’s highly recommended to run a data profile before you train (use an automated data profiler for Amazon Fraud Detector).
- It’s recommended to use at least 3–6 months of data.
- It takes time for fraud to mature; data that is 1–3 months old is recommended (not too recent).
- Some NULLs and missing values are acceptable (but too many and the variable is ignored, as discussed in Missing or incorrect variable type).
Upload historical data to Amazon S3
After you have the custom historical data files to train a fraud detector model, create an S3 bucket and upload the data to the bucket.
Select options and train the model
The next step towards building and training a fraud detector model is to define the business activity (event) to evaluate for the fraud. Defining an event involves setting the variables in your dataset, an entity initiating the event, and the labels that classify the event.
Complete the following steps to define a docfraud event to detect document fraud, which is initiated by the entity applicant mortgage, referring to a new mortgage application:
- Στην κονσόλα Amazon Fraud Detector, επιλέξτε Εκδηλώσεις στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργία.
- Κάτω από Event type details, εισαγω
docfraud
as the event type name and, optionally, enter a description of the event. - Επιλέξτε Δημιουργία οντότητας.
- Στις Δημιουργία οντότητας σελίδα, εισάγετε
applicant_mortgage
as the entity type name and, optionally, enter a description of the entity type. - Επιλέξτε Δημιουργία οντότητας.
- Κάτω από Μεταβλητές συμβάντος, Για Επιλέξτε τον τρόπο καθορισμού των μεταβλητών αυτού του συμβάντος, επιλέξτε Επιλέξτε μεταβλητές από ένα σύνολο δεδομένων εκπαίδευσης.
- Για IAM ρόλο, επιλέξτε Δημιουργία ρόλου IAM.
- Στις Δημιουργία ρόλου IAM page, enter the name of the S3 bucket with your example data and choose Δημιουργήστε ρόλο.
- Για Τοποθεσία δεδομένων, enter the path to your historical data. This is the S3 URI path that you saved after uploading the historical data. The path is similar to
S3://your-bucket-name/example dataset filename.csv
. - Επιλέξτε Μεταφόρτωση.
Variables represent data elements that you want to use in a fraud prediction. These variables can be taken from the event dataset that you prepared for training your model, from your Amazon Fraud Detector model’s risk score outputs, or from Amazon Sage Maker models. For more information about variables taken from the event dataset, see Get event dataset requirements using the Data models explorer.
- Κάτω από Labels – optional, Για Ετικέτες, επιλέξτε Create new labels.
- Στις Δημιουργία ετικέτας σελίδα, εισάγετε
fraud
as the name. This label corresponds to the value that represents the fraudulent mortgage application in the example dataset. - Επιλέξτε Δημιουργία ετικέτας.
- Create a second label called
legit
. This label corresponds to the value that represents the legitimate mortgage application in the example dataset. - Επιλέξτε Δημιουργία τύπου συμβάντος.
The following screenshot shows our event type details.
The following screenshot shows our variables.
The following screenshot shows our labels.
Δημιουργήστε το μοντέλο
After you have loaded the historical data and selected the required options to train a model, complete the following steps to create a model:
- Στην κονσόλα Amazon Fraud Detector, επιλέξτε Μοντέλα στο παράθυρο πλοήγησης.
- Επιλέξτε Προσθήκη μοντέλου, και στη συνέχεια επιλέξτε Δημιουργήστε μοντέλο.
- Στις Προσδιορίστε τις λεπτομέρειες του μοντέλου σελίδα, εισάγετε
mortgage_fraud_detection_model
as the model’s name and an optional description of the model. - Για Τύπος μοντέλου, επιλέξτε το Online Fraud Insights μοντέλο.
- Για Τύπος συμβάντος, επιλέξτε
docfraud
. This is the event type that you created earlier. - Στο Στοιχεία ιστορικών γεγονότων ενότητα, παρέχετε τις ακόλουθες πληροφορίες:
- Για Event data source, επιλέξτε Event data stored uploaded to S3 (or AFD).
- Για IAM ρόλο, choose the role that you created earlier.
- Για Τοποθεσία δεδομένων εκπαίδευσης, enter the S3 URI path to your example data file.
- Επιλέξτε Επόμενο.
- Στο Είσοδοι μοντέλου section, leave all checkboxes checked. By default, Amazon Fraud Detector uses all variables from your historical event dataset as model inputs.
- Στο Label classification ενότητα, για Ετικέτες απάτης, επιλέξτε
fraud
, which corresponds to the value that represents fraudulent events in the example dataset. - Για Νόμιμες ετικέτες, επιλέξτε
legit
, which corresponds to the value that represents legitimate events in the example dataset. - Για Unlabeled events, keep the default selection Αγνοήστε συμβάντα χωρίς ετικέτα for this example dataset.
- Επιλέξτε Επόμενο.
- Ελέγξτε τις ρυθμίσεις σας και μετά επιλέξτε Δημιουργήστε και εκπαιδεύστε μοντέλο.
Amazon Fraud Detector creates a model and begins to train a new version of the model.
Στις Εκδόσεις μοντέλου σελίδα, το Κατάσταση column indicates the status of model training. Model training that uses the example dataset takes approximately 45 minutes to complete. The status changes to Έτοιμο για ανάπτυξη after model training is complete.
Review model performance
After the model training is complete, Amazon Fraud Detector validates the model performance using 15% of your data that was not used to train the model and provides various tools, including a score distribution chart and confusion matrix, to assess model performance.
To view the model’s performance, complete the following steps:
- Στην κονσόλα Amazon Fraud Detector, επιλέξτε Μοντέλα στο παράθυρο πλοήγησης.
- Choose the model that you just trained (
sample_fraud_detection_model
), Στη συνέχεια, επιλέξτε 1.0. This is the version Amazon Fraud Detector created of your model. - Επανεξέταση του Μοντέλο απόδοσης overall score and all other metrics that Amazon Fraud Detector generated for this model.
Αναπτύξτε το μοντέλο
After you have reviewed the performance metrics of your trained model and are ready to use it generate fraud predictions, you can deploy the model:
- Στην κονσόλα Amazon Fraud Detector, επιλέξτε Μοντέλα στο παράθυρο πλοήγησης.
- Επιλέξτε το μοντέλο
sample_fraud_detection_model
, and then choose the specific model version that you want to deploy. For this post, choose 1.0. - Στις Έκδοση μοντέλου σελίδα, στο Δράσεις μενού, επιλέξτε Ανάπτυξη έκδοσης μοντέλου.
Στις Εκδόσεις μοντέλου σελίδα, το Κατάσταση shows the status of the deployment. The status changes to Ενεργή when the deployment is complete. This indicates that the model version is activated and available to generate fraud predictions.
Δημιουργήστε έναν ανιχνευτή
After you have deployed the model, you build a detector for the docfraud
event type and add the deployed model. Complete the following steps:
- Στην κονσόλα Amazon Fraud Detector, επιλέξτε Ανιχνευτές στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργήστε ανιχνευτή.
- Στις Define detector details σελίδα, εισάγετε
fraud_detector
for the detector name and, optionally, enter a description for the detector, such as my sample fraud detector. - Για Τύπος συμβάντος, επιλέξτε
docfraud
. This is the event that you created in earlier. - Επιλέξτε Επόμενο.
Add rules to interpret
After you have created the Amazon Fraud Detector model, you can use the Amazon Fraud Detector console or application programming interface (API) to define business-driven rules (conditions that tell Amazon Fraud Detector how to interpret model performance score when evaluating for fraud prediction). To align with the mortgage underwriting process, you may create rules to flag mortgage applications according to the risk levels associated and mapped as fraud, legitimate, or if a review is needed.
For example, you may want to automatically decline mortgage applications with a high fraud risk, considering parameters like tampered images of the required documents, missing documents like paystubs or income requirements, and so on. On the other hand, certain applications may need a human in the loop for making effective decisions.
Amazon Fraud Detector uses the aggregated value (calculated by combining a set of raw variables) and raw value (the value provided for the variable) to generate the model scores. The model scores can be between 0–1000, where 0 indicates low fraud risk and 1000 indicates high fraud risk.
To add the respective business-driven rules, complete the following steps:
- Στην κονσόλα Amazon Fraud Detector, επιλέξτε Κανόνες που στο παράθυρο πλοήγησης.
- Επιλέξτε Προσθήκη κανόνα.
- Στο Define a rule section, enter fraud for the rule name and, optionally, enter a description.
- Για Έκφραση, enter the rule expression using the Amazon Fraud Detector simplified rule expression language
$docdraud_insightscore >= 900
- Για Αποτελέσματα, επιλέξτε Δημιουργήστε ένα νέο αποτέλεσμα (An outcome is the result from a fraud prediction and is returned if the rule matches during an evaluation.)
- Στο Δημιουργήστε ένα νέο αποτέλεσμα section, enter decline as the outcome name and an optional description.
- Επιλέξτε Αποθηκεύστε το αποτέλεσμα
- Επιλέξτε Προσθήκη κανόνα για να εκτελέσετε τον έλεγχο επικύρωσης κανόνων και να αποθηκεύσετε τον κανόνα.
- After it’s created, Amazon Fraud Detector makes the following
high_risk
rule available for use in your detector.- Όνομα κανόνα:
fraud
- Αποτέλεσμα:
decline
- Εκφραση:
$docdraud_insightscore >= 900
- Όνομα κανόνα:
- Επιλέξτε Προσθέστε έναν άλλο κανόνακαι μετά επιλέξτε το Δημιουργήστε κανόνα tab to add additional 2 rules as below:
- Δημιουργία
low_risk
rule with the following details:- Όνομα κανόνα:
legit
- Αποτέλεσμα:
approve
- Εκφραση:
$docdraud_insightscore <= 500
- Όνομα κανόνα:
- Δημιουργία
medium_risk
rule with the following details:- Όνομα κανόνα:
review needed
- Αποτέλεσμα:
review
- Εκφραση:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- Όνομα κανόνα:
These values are examples used for this post. When you create rules for your own detector, use values that are appropriate for your model and use case.
- After you have created all three rules, choose Επόμενο.
Deploy the API to make predictions
After the rules-based actions have been triggered, you can deploy an Amazon Fraud Detector API to evaluate the lending applications and predict potential fraud. The predictions can be performed in a batch or real time.
Integrate your SageMaker model (Optional)
If you already have a fraud detection model in SageMaker, you can integrate it with Amazon Fraud Detector for your preferred results.
This implies that you can use both SageMaker and Amazon Fraud Detector models in your application to detect different types of fraud. For example, your application can use the Amazon Fraud Detector model to assess the fraud risk of customer accounts, and simultaneously use your PageMaker model to check for account compromise risk.
εκκαθάριση
To avoid incurring any future charges, delete the resources created for the solution, including the following:
- Κάδος S3
- Amazon Fraud Detector endpoint
Συμπέρασμα
This post walked you through an automated and customized solution to detect fraud in the mortgage underwriting process. This solution allows you to detect fraudulent attempts closer to the time of fraud occurrence and helps underwriters with an effective decision-making process. Additionally, the flexibility of the implementation allows you to define business-driven rules to classify and capture the fraudulent attempts customized to specific business needs.
For more information about building an end-to-end mortgage document fraud detection solution, refer to Μέρος 1 και Μέρος 2 σε αυτή τη σειρά.
Σχετικά με τους συγγραφείς
Anup Ravindranath είναι Ανώτερος Αρχιτέκτονας Λύσεων στην Amazon Web Services (AWS) με έδρα το Τορόντο του Καναδά και συνεργάζεται με οργανισμούς Financial Services. Βοηθά τους πελάτες να μεταμορφώσουν τις επιχειρήσεις τους και να καινοτομήσουν στο cloud.
Βίνι Σαΐνη είναι Senior Solutions Architect στην Amazon Web Services (AWS) με έδρα το Τορόντο του Καναδά. Βοηθάει τους πελάτες της Financial Services να μεταμορφωθούν στο cloud, με λύσεις βασισμένες στην τεχνητή νοημοσύνη και το ML που βασίζονται σε ισχυρούς θεμελιώδεις πυλώνες Αρχιτεκτονικής Αριστείας.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/automate-mortgage-document-fraud-detection-using-an-ml-model-and-business-defined-rules-with-amazon-fraud-detector-part-3/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 100
- 15%
- 7
- 900
- a
- ΠΛΗΡΟΦΟΡΙΕΣ
- αποδεκτό
- πρόσβαση
- Σύμφωνα με
- Λογαριασμός
- Λογαριασμοί
- ενεργειών
- δραστηριοτήτων
- δραστηριότητα
- προσθέτω
- Πρόσθετος
- Επιπλέον
- Μετά το
- AI
- ευθυγράμμιση
- Όλα
- επιτρέπει
- ήδη
- Amazon
- Ανιχνευτής απάτης Amazon
- Amazon υπηρεσίες Web
- Amazon Web Services (AWS)
- an
- και
- Άλλος
- κάθε
- api
- Εφαρμογή
- εφαρμογές
- πλησιάζω
- κατάλληλος
- περίπου
- αρχιτεκτονική
- αρχιτεκτονική
- ΕΙΝΑΙ
- AS
- εκτιμώ
- συσχετισμένη
- At
- Προσπάθειες
- αυτοματοποίηση
- Αυτοματοποιημένη
- αυτομάτως
- διαθέσιμος
- αποφύγετε
- AWS
- βασίζονται
- BE
- ήταν
- πριν
- αρχίζει
- παρακάτω
- μεταξύ
- και οι δύο
- χτίζω
- Κτίριο
- ενσωματωμένο
- επιχείρηση
- επιχειρήσεις
- αλλά
- κουμπί
- by
- υπολογίζεται
- που ονομάζεται
- CAN
- Canada
- πιάνω
- περίπτωση
- ορισμένες
- Αλλαγές
- φορτία
- Διάγραμμα
- έλεγχος
- τετραγωνισμένος
- Επιλέξτε
- ταξινόμηση
- Ταξινόμηση
- κλικ
- πιο κοντά
- Backup
- Στήλη
- συνδυάζοντας
- πλήρης
- συστατικό
- συμβιβασμός
- υπολογιστή
- Computer Vision
- εννοιολογική
- Συνθήκες
- σύγχυση
- θεωρώντας
- πρόξενος
- αντιστοιχεί
- κάλυμμα
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- έθιμο
- πελάτης
- Πελάτες
- προσαρμοσμένη
- ημερομηνία
- απόφαση
- Λήψη Αποφάσεων
- αποφάσεις
- Απόρριψη
- βαθύς
- Προεπιλογή
- ορίζεται
- καθορίζοντας
- καταδεικνύει
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- περιγραφή
- καθέκαστα
- ανίχνευση
- Ανίχνευση
- ανάπτυξη
- διάγραμμα
- διαφορετικές
- συζήτηση
- διανομή
- έγγραφο
- έγγραφα
- οδηγείται
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- Αποτελεσματικός
- στοιχεία
- από άκρη σε άκρη
- Κινητήρας
- εισάγετε
- οντότητα
- αξιολογήσει
- αξιολογώντας
- εκτίμηση
- Συμβάν
- εκδηλώσεις
- παράδειγμα
- παραδείγματα
- Υπεροχή
- έκφραση
- Αρχεία
- Αρχεία
- οικονομικός
- των χρηματοπιστωτικών υπηρεσιών
- Ευελιξία
- Εξής
- εξής
- Για
- σφυρήλατος
- μορφή
- θεμελιακών
- απάτη
- ανίχνευση απάτης
- απατηλός
- από
- πλήρως
- μελλοντικός
- παράγουν
- παράγεται
- χέρι
- Έχω
- he
- κεφαλίδες
- βοήθεια
- βοηθά
- Ψηλά
- Επισημάνετε
- υψηλά
- ιστορικών
- Πως
- Πώς να
- http
- HTTPS
- ανθρώπινος
- προσδιορισμό
- if
- εικόνες
- εκτέλεση
- βελτίωση
- βελτίωση
- in
- Συμπεριλαμβανομένου
- Εισόδημα
- ανακριβής
- υποδηλώνει
- πληροφορίες
- ξεκίνησε
- νεωτερίζω
- είσοδοι
- ενσωματώσει
- περιβάλλον λειτουργίας
- περιλαμβάνει
- IT
- jpg
- μόλις
- Διατήρηση
- επιγραφή
- Ετικέτες
- στρωτός
- Γλώσσα
- μάθηση
- ελάχιστα
- Άδεια
- νόμιμος
- δανεισμός
- επίπεδα
- Μου αρέσει
- λογική
- Χαμηλός
- μηχανή
- μάθηση μηχανής
- κάνω
- ΚΑΝΕΙ
- Κατασκευή
- διαχειρίζεται
- πολοί
- σπίρτα
- Μήτρα
- ώριμος
- Ενδέχεται..
- Metrics
- Λεπτ.
- Λείπει
- ML
- μοντέλο
- μοντέλα
- μήνες
- περισσότερο
- Υποθήκη
- πρέπει
- my
- όνομα
- Πλοήγηση
- Ανάγκη
- που απαιτούνται
- ανάγκες
- Νέα
- επόμενη
- τώρα
- σκοπός
- περιστατικό
- of
- Παλιά
- on
- Επιλογές
- or
- οργανώσεις
- ΑΛΛΑ
- δικός μας
- Αποτέλεσμα
- εξόδους
- φόρμες
- δική
- σελίδα
- παράθυρο
- παράμετροι
- μέρος
- μονοπάτι
- επίδοση
- εκτελούνται
- δικαιώματα
- πυλώνες
- αγωγού
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Θέση
- δυναμικού
- προβλέψει
- πρόβλεψη
- Προβλέψεις
- προτιμάται
- έτοιμος
- προαπαιτούμενο
- παρόν
- παρουσιάζονται
- διαδικασια μας
- Προφίλ ⬇️
- Προγραμματισμός
- παρέχουν
- παρέχεται
- παρέχει
- Ακατέργαστος
- έτοιμος
- πραγματικός
- σε πραγματικό χρόνο
- πρόσφατος
- συνιστάται
- παραπέμπω
- περιοχή
- εκπροσωπώ
- αντιπροσωπεύει
- απαιτείται
- απαιτήσεις
- Υποστηρικτικό υλικό
- εκείνοι
- αποτέλεσμα
- Αποτελέσματα
- ανασκόπηση
- αξιολόγηση
- Κίνδυνος
- Ρόλος
- Άρθρο
- κανόνες
- τρέξιμο
- σοφός
- δείγμα
- Αποθήκευση
- αποθηκεύονται
- Κλίμακα
- σκορ
- Δεύτερος
- Τμήμα
- δείτε
- επιλέγονται
- επιλογή
- αρχαιότερος
- Σειρές
- υπηρεσία
- Υπηρεσίες
- σειρά
- τον καθορισμό
- ρυθμίσεις
- αυτή
- Δείχνει
- παρόμοιες
- Απλούς
- ταυτοχρόνως
- So
- λύση
- Λύσεις
- συγκεκριμένες
- Στάδιο
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- αποθηκεύονται
- ισχυρός
- τέτοιος
- υποστηριζόνται!
- λαμβάνεται
- παίρνει
- πει
- ότι
- Η
- τους
- τότε
- Αυτοί
- Τρίτος
- αυτό
- τρία
- Μέσω
- ώρα
- προς την
- πολύ
- εργαλεία
- Τορόντο
- προς
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- Μεταμορφώστε
- ενεργοποιήθηκε
- τύπος
- τύποι
- αναδοχή
- Φορτώθηκε
- Ανέβασμα
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- χρησιμοποιεί
- χρησιμοποιώντας
- επικύρωση
- αξία
- Αξίες
- μεταβλητή
- διάφορα
- εκδοχή
- εκδόσεις
- Δες
- όραμα
- περπάτησε
- θέλω
- ήταν
- we
- ιστός
- διαδικτυακές υπηρεσίες
- πότε
- Ποιό
- ενώ
- θα
- με
- ροές εργασίας
- εργαζόμενος
- Εσείς
- Σας
- zephyrnet