En Primer comentario En esta serie de tres partes, presentamos una solución que demuestra cómo se puede automatizar la detección de manipulación y fraude de documentos a escala utilizando servicios de IA y aprendizaje automático (ML) de AWS para un caso de uso de suscripción de hipotecas.
En segunda publicación, discutimos un enfoque para desarrollar un modelo de visión por computadora basado en aprendizaje profundo para detectar y resaltar imágenes falsificadas en la suscripción de hipotecas.
En esta publicación, presentamos una solución para automatizar la detección de fraude en documentos hipotecarios utilizando un modelo de ML y reglas definidas por el negocio con Detector de fraudes de Amazon.
Resumen de la solución
Utilizamos Amazon Fraud Detector, un servicio de detección de fraude totalmente administrado, para automatizar la detección de actividades fraudulentas. Con el objetivo de mejorar la precisión de la predicción del fraude mediante la identificación proactiva del fraude documental y, al mismo tiempo, mejorar la precisión de la suscripción, Amazon Fraud Detector le ayuda a crear modelos de detección de fraude personalizados utilizando un conjunto de datos históricos, configurar una lógica de decisión personalizada utilizando el motor de reglas integrado y organizar decisiones de riesgo. flujos de trabajo con solo hacer clic en un botón.
El siguiente diagrama representa cada etapa de un proceso de detección de fraude en documentos hipotecarios.
Ahora cubriremos el tercer componente del proceso de detección de fraude en documentos hipotecarios. Los pasos para implementar este componente son los siguientes:
- Subir datos históricos a Servicio de almacenamiento simple de Amazon (Amazon S3).
- Seleccione sus opciones y entrene el modelo.
- Crea el modelo.
- Revisar el rendimiento del modelo.
- Implementar el modelo.
- Crea un detector.
- Agregue reglas para interpretar las puntuaciones del modelo.
- Implemente la API para hacer predicciones.
Requisitos previos
Los siguientes son pasos previos para esta solución:
- Regístrese para obtener una cuenta de AWS.
- Configure permisos que permitan que su cuenta de AWS acceda a Amazon Fraud Detector.
- Recopile los datos históricos de fraude que se utilizarán para entrenar el modelo de detector de fraude, con los siguientes requisitos:
- Los datos deben estar en formato CSV y tener encabezados.
- Se requieren dos encabezados:
EVENT_TIMESTAMP
yEVENT_LABEL
. - Los datos deben residir en Amazon S3 en una región de AWS compatible con el servicio.
- Es muy recomendable ejecutar un perfil de datos antes de entrenar (use un perfilador de datos automatizado para Amazon Fraud Detector).
- Se recomienda utilizar al menos entre 3 y 6 meses de datos.
- Se necesita tiempo para que el fraude madure; Se recomiendan datos que tengan entre 1 y 3 meses de antigüedad (no demasiado recientes).
- Algunos valores NULL y faltantes son aceptables (pero si son demasiados, la variable se ignora, como se analiza en Tipo de variable faltante o incorrecto).
Cargar datos históricos a Amazon S3
Una vez que tenga los archivos de datos históricos personalizados para entrenar un modelo de detector de fraude, cree un depósito S3 y cargue los datos en el depósito.
Seleccionar opciones y entrenar el modelo.
El siguiente paso hacia la creación y capacitación de un modelo de detección de fraude es definir la actividad comercial (evento) que se evaluará en busca de fraude. Definir un evento implica configurar las variables en su conjunto de datos, una entidad que inicia el evento y las etiquetas que clasifican el evento.
Complete los siguientes pasos para definir un evento de docfraude para detectar fraude documental, el cual es iniciado por la entidad solicitante de la hipoteca, refiriéndose a una nueva solicitud de hipoteca:
- En la consola de Amazon Fraud Detector, elija Eventos en el panel de navegación.
- Elige Crear.
- under Detalles del tipo de evento, introduzca
docfraud
como nombre del tipo de evento y, opcionalmente, ingrese una descripción del evento. - Elige Crear entidad.
- En Crear entidad página, ingrese
applicant_mortgage
como nombre del tipo de entidad y, opcionalmente, ingrese una descripción del tipo de entidad. - Elige Crear entidad.
- under Variables de eventos, Para Elija cómo definir las variables de este evento, escoger Seleccionar variables de un conjunto de datos de entrenamiento.
- Rol de IAM, escoger Crear función de IAM.
- En Crear función de IAM página, ingrese el nombre del depósito S3 con sus datos de ejemplo y elija Crear rol.
- Ubicación de datos, ingresa la ruta a tus datos históricos. Esta es la ruta URI de S3 que guardó después de cargar los datos históricos. El camino es similar al
S3://your-bucket-name/example dataset filename.csv
. - Elige Subir.
Las variables representan elementos de datos que desea utilizar en una predicción de fraude. Estas variables se pueden tomar del conjunto de datos de eventos que preparó para entrenar su modelo, de los resultados de puntuación de riesgo de su modelo de Amazon Fraud Detector o de Amazon SageMaker modelos. Para obtener más información sobre las variables tomadas del conjunto de datos del evento, consulte Obtenga los requisitos del conjunto de datos de eventos mediante el explorador de modelos de datos.
- under Etiquetas – opcional, Para Etiquetas, escoger Crear nuevas etiquetas.
- En Crear etiqueta página, ingrese
fraud
como el nombre. Esta etiqueta corresponde al valor que representa la solicitud de hipoteca fraudulenta en el conjunto de datos de ejemplo. - Elige Crear etiqueta.
- Crea una segunda etiqueta llamada
legit
. Esta etiqueta corresponde al valor que representa la solicitud de hipoteca legítima en el conjunto de datos de ejemplo. - Elige Crear tipo de evento.
La siguiente captura de pantalla muestra los detalles de nuestro tipo de evento.
La siguiente captura de pantalla muestra nuestras variables.
La siguiente captura de pantalla muestra nuestras etiquetas.
Crea el modelo
Después de haber cargado los datos históricos y seleccionado las opciones requeridas para entrenar un modelo, complete los siguientes pasos para crear un modelo:
- En la consola de Amazon Fraud Detector, elija fexibles en el panel de navegación.
- Elige Agregar modeloy luego elige Crear modelo.
- En Definir detalles del modelo página, ingrese
mortgage_fraud_detection_model
como el nombre del modelo y una descripción opcional del modelo. - Tipo de modelo, elegir la Estadísticas de fraude en línea modelo.
- Tipo de evento, escoger
docfraud
. Este es el tipo de evento que creó anteriormente. - En Datos de eventos históricos sección, proporcione la siguiente información:
- Fuente de datos del evento, escoger Datos de eventos almacenados cargados en S3 (o AFD).
- Rol de IAM, elija el rol que creó anteriormente.
- Ubicación de los datos de entrenamiento, ingrese la ruta URI de S3 a su archivo de datos de ejemplo.
- Elige Siguiente.
- En Entradas del modelo sección, deje todas las casillas marcadas. De forma predeterminada, Amazon Fraud Detector utiliza todas las variables de su conjunto de datos de eventos históricos como entradas del modelo.
- En Clasificación de etiquetas sección, para Etiquetas de fraude, escoger
fraud
, que corresponde al valor que representa eventos fraudulentos en el conjunto de datos de ejemplo. - Etiquetas legítimas, escoger
legit
, que corresponde al valor que representa eventos legítimos en el conjunto de datos de ejemplo. - Eventos sin etiquetar, mantenga la selección predeterminada Ignorar eventos no etiquetados para este conjunto de datos de ejemplo.
- Elige Siguiente.
- Revise su configuración, luego elija Crear y entrenar modelo.
Amazon Fraud Detector crea un modelo y comienza a entrenar una nueva versión del modelo.
En Versiones del modelo , las Preguntas Frequentes Estado La columna indica el estado del entrenamiento del modelo. El entrenamiento del modelo que utiliza el conjunto de datos de ejemplo tarda aproximadamente 45 minutos en completarse. El estado cambia a Listo para desplegar después de completar el entrenamiento del modelo.
Revisar el rendimiento del modelo
Una vez completado el entrenamiento del modelo, Amazon Fraud Detector valida el rendimiento del modelo utilizando el 15 % de los datos que no se utilizaron para entrenar el modelo y proporciona varias herramientas, incluido un gráfico de distribución de puntuaciones y una matriz de confusión, para evaluar el rendimiento del modelo.
Para ver el rendimiento del modelo, complete los siguientes pasos:
- En la consola de Amazon Fraud Detector, elija fexibles en el panel de navegación.
- Elija el modelo que acaba de entrenar (
sample_fraud_detection_model
), entonces escoge 1.0. Esta es la versión que Amazon Fraud Detector creó de su modelo. - Lea las Modelo de rendimiento puntuación general y todas las demás métricas que Amazon Fraud Detector generó para este modelo.
Implementar el modelo
Una vez que haya revisado las métricas de rendimiento de su modelo entrenado y esté listo para usarlo para generar predicciones de fraude, puede implementar el modelo:
- En la consola de Amazon Fraud Detector, elija fexibles en el panel de navegación.
- Elige el modelo
sample_fraud_detection_model
y luego elija la versión del modelo específico que desea implementar. Para esta publicación, elija 1.0. - En Versión del modelo página, en el Acciones menú, seleccione Implementar la versión del modelo.
En Versiones del modelo , las Preguntas Frequentes Estado muestra el estado de la implementación. El estado cambia a Active cuando se complete la implementación. Esto indica que la versión del modelo está activada y disponible para generar predicciones de fraude.
Crear un detector
Después de haber implementado el modelo, construye un detector para el docfraud
tipo de evento y agregue el modelo implementado. Complete los siguientes pasos:
- En la consola de Amazon Fraud Detector, elija Detectores en el panel de navegación.
- Elige Crear detector.
- En Definir detalles del detector página, ingrese
fraud_detector
para el nombre del detector y, opcionalmente, ingrese una descripción para el detector, como mi detector de fraude de muestra. - Tipo de evento, escoger
docfraud
. Este es el evento que creaste anteriormente. - Elige Siguiente.
Agregar reglas para interpretar
Después de haber creado el modelo de Amazon Fraud Detector, puede utilizar la consola de Amazon Fraud Detector o la interfaz de programación de aplicaciones (API) para definir reglas impulsadas por el negocio (condiciones que le indican a Amazon Fraud Detector cómo interpretar la puntuación de rendimiento del modelo al evaluar la predicción de fraude). . Para alinearse con el proceso de suscripción de hipotecas, puede crear reglas para marcar las solicitudes de hipotecas según los niveles de riesgo asociados y mapeados como fraude, legítimos o si se necesita una revisión.
Por ejemplo, es posible que desee rechazar automáticamente solicitudes de hipotecas con un alto riesgo de fraude, considerando parámetros como imágenes manipuladas de los documentos requeridos, documentos faltantes como recibos de sueldo o requisitos de ingresos, etc. Por otro lado, ciertas aplicaciones pueden necesitar un ser humano informado para tomar decisiones efectivas.
Amazon Fraud Detector utiliza el valor agregado (calculado combinando un conjunto de variables sin procesar) y el valor sin procesar (el valor proporcionado para la variable) para generar las puntuaciones del modelo. Las puntuaciones del modelo pueden estar entre 0 y 1000, donde 0 indica un riesgo de fraude bajo y 1000 indica un riesgo de fraude alto.
Para agregar las respectivas reglas basadas en negocios, complete los siguientes pasos:
- En la consola de Amazon Fraud Detector, elija Reglas en el panel de navegación.
- Elige Añadir regla.
- En Definir una regla sección, ingrese fraude para el nombre de la regla y, opcionalmente, ingrese una descripción.
- expresión, ingrese la expresión de regla utilizando el lenguaje de expresión de reglas simplificado de Amazon Fraud Detector
$docdraud_insightscore >= 900
- Resultados, escoger Crea un nuevo resultado (Un resultado es el resultado de una predicción de fraude y se devuelve si la regla coincide durante una evaluación).
- En Crea un nuevo resultado sección, ingrese rechazar como nombre del resultado y una descripción opcional.
- Elige Guardar resultado
- Elige Añadir regla para ejecutar el verificador de validación de reglas y guardar la regla.
- Una vez creado, Amazon Fraud Detector realiza lo siguiente
high_risk
regla disponible para usar en su detector.- Nombre de la regla:
fraud
- Resultado:
decline
- Expresión:
$docdraud_insightscore >= 900
- Nombre de la regla:
- Elige Agregar otra reglay luego elija el Crear regla pestaña para agregar 2 reglas adicionales como se muestra a continuación:
- Créar un
low_risk
regla con los siguientes detalles:- Nombre de la regla:
legit
- Resultado:
approve
- Expresión:
$docdraud_insightscore <= 500
- Nombre de la regla:
- Créar un
medium_risk
regla con los siguientes detalles:- Nombre de la regla:
review needed
- Resultado:
review
- Expresión:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- Nombre de la regla:
Estos valores son ejemplos utilizados para esta publicación. Cuando cree reglas para su propio detector, utilice valores que sean apropiados para su modelo y caso de uso.
- Después de haber creado las tres reglas, elija Siguiente.
Implementar la API para hacer predicciones
Una vez que se hayan activado las acciones basadas en reglas, puede implementar una API de Amazon Fraud Detector para evaluar las solicitudes de préstamo y predecir posibles fraudes. Las predicciones se pueden realizar por lotes o en tiempo real.
Integre su modelo SageMaker (opcional)
Si ya tiene un modelo de detección de fraude en SageMaker, puede integrarlo con Amazon Fraud Detector para obtener los resultados que prefiera.
Esto implica que puede utilizar los modelos SageMaker y Amazon Fraud Detector en su aplicación para detectar diferentes tipos de fraude. Por ejemplo, su aplicación puede usar el modelo Amazon Fraud Detector para evaluar el riesgo de fraude de las cuentas de los clientes y, simultáneamente, usar su modelo PageMaker para verificar el riesgo de compromiso de la cuenta.
Limpiar
Para evitar incurrir en cargos futuros, elimine los recursos creados para la solución, incluidos los siguientes:
- Cucharón S3
- Punto final del detector de fraude de Amazon
Conclusión
Esta publicación lo guió a través de una solución automatizada y personalizada para detectar fraude en el proceso de suscripción de hipotecas. Esta solución le permite detectar intentos de fraude más cerca del momento en que se produce el fraude y ayuda a los suscriptores con un proceso de toma de decisiones eficaz. Además, la flexibilidad de la implementación le permite definir reglas basadas en el negocio para clasificar y capturar los intentos fraudulentos personalizados según las necesidades comerciales específicas.
Para obtener más información sobre cómo crear una solución integral de detección de fraude en documentos hipotecarios, consulte Parte 1 y Parte 2 en esta serie
Sobre los autores
anup ravindranath es arquitecto de soluciones sénior en Amazon Web Services (AWS) con sede en Toronto, Canadá, y trabaja con organizaciones de servicios financieros. Ayuda a los clientes a transformar sus negocios e innovar en la nube.
vinnie saini es Arquitecto de Soluciones Sénior en Amazon Web Services (AWS) con sede en Toronto, Canadá. Ha estado ayudando a los clientes de Servicios Financieros a transformarse en la nube, con soluciones impulsadas por IA y ML asentadas sobre sólidos pilares fundamentales de Excelencia Arquitectónica.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: 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/
- :posee
- :es
- :no
- :dónde
- $ UP
- 100
- 15%
- 7
- 900
- a
- Nuestra Empresa
- aceptable
- de la máquina
- Conforme
- Mi Cuenta
- Cuentas
- acciones
- actividades
- actividad
- add
- Adicionales
- Adicionalmente
- Después
- AI
- alinear
- Todos
- permite
- ya haya utilizado
- Amazon
- Detector de fraudes de Amazon
- Amazon Web Services
- Servicios Web de Amazon (AWS)
- an
- y
- Otra
- cualquier
- abejas
- Aplicación
- aplicaciones
- enfoque
- adecuado
- aproximadamente
- arquitectónico
- arquitectura
- somos
- AS
- evaluar
- asociado
- At
- Los intentos
- automatizado
- Confirmación de Viaje
- automáticamente
- Hoy Disponibles
- evitar
- AWS
- basado
- BE
- esto
- antes
- comienza
- a continuación
- entre
- ambas
- build
- Construir la
- incorporado
- negocios
- pero
- .
- by
- calculado
- , que son
- PUEDEN
- Ubicación: Canadá
- capturar
- case
- a ciertos
- Cambios
- cargos
- Tabla
- comprobar
- comprobado
- Elige
- clasificación
- clasificar
- clic
- más cerca
- Soluciones
- Columna
- combinar
- completar
- componente
- compromiso
- computadora
- Visión por computador
- conceptual
- condiciones
- confusión
- en vista de
- Consola
- corresponde
- cubierta
- Para crear
- creado
- crea
- personalizado
- cliente
- Clientes
- se adaptan
- datos
- Koops
- Toma de Decisiones
- decisiones
- Rechazar
- profundo
- Predeterminado
- definir
- definir
- demuestra
- desplegar
- desplegado
- despliegue
- descripción
- detalles
- detectar
- Detección
- desarrollar
- diagrama
- una experiencia diferente
- discutido
- documento
- documentos
- impulsados
- durante
- cada una
- Más temprano
- Eficaz
- elementos
- de extremo a extremo
- Motor
- Participar
- entidad
- evaluar
- evaluación
- evaluación
- Evento
- Eventos
- ejemplo
- ejemplos
- Excelencia
- expresión
- Archive
- archivos
- financiero
- servicios financieros
- Flexibilidad
- siguiendo
- siguiente
- falsificado
- formato
- Fundacional
- fraude
- detección de fraude
- fraudulento
- Desde
- completamente
- futuras
- generar
- generado
- mano
- Tienen
- he
- cabeceras
- ayudando
- ayuda
- Alta
- Destacar
- altamente
- histórico
- Cómo
- Como Hacer
- http
- HTTPS
- humana
- identificar
- if
- imágenes
- implementación
- mejorar
- la mejora de
- in
- Incluye
- por
- incorrecto
- Indica
- información
- iniciado
- innovar
- entradas
- integrar
- Interfaz
- implica
- IT
- jpg
- solo
- Guardar
- Label
- Etiquetas
- puesto
- idioma
- aprendizaje
- menos
- Abandonar
- legítima
- préstamo
- como
- lógica
- Baja
- máquina
- máquina de aprendizaje
- para lograr
- HACE
- Realizar
- gestionado
- muchos
- cerillas
- Matrix
- un estudiante adulto
- Puede..
- Métrica
- Min
- que falta
- ML
- modelo
- modelos
- meses
- más,
- Hipoteca
- debe
- my
- nombre
- Navegación
- ¿ Necesita ayuda
- Nuevo
- Next
- ahora
- objetivo
- aparición
- of
- Viejo
- on
- Opciones
- or
- para las fiestas.
- Otro
- "nuestr
- Resultado
- salidas
- total
- EL DESARROLLADOR
- página
- cristal
- parámetros
- parte
- camino
- actuación
- realizado
- permisos
- .
- industrial
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- Publicación
- posible
- predecir
- predicción
- Predicciones
- preferido
- preparado
- requisito previo
- presente
- presentó
- Mi Perfil
- Programación
- proporcionar
- previsto
- proporciona un
- Crudo
- ready
- real
- en tiempo real
- reciente
- recomendado
- remitir
- región
- representar
- representa
- Requisitos
- Requisitos
- Recursos
- aquellos
- resultado
- Resultados
- una estrategia SEO para aparecer en las búsquedas de Google.
- revisado
- Riesgo
- Función
- Regla
- reglas
- Ejecutar
- sabio
- muestra
- Guardar
- salvado
- Escala
- Puntuación
- Segundo
- Sección
- ver
- seleccionado
- selección
- mayor
- Serie
- de coches
- Servicios
- set
- pólipo
- ajustes
- ella
- Shows
- similares
- sencillos
- simultáneamente
- So
- a medida
- Soluciones
- soluciones y
- Etapa
- Estado
- paso
- pasos
- STORAGE
- almacenados
- fuerte
- tal
- Soportado
- toma
- toma
- les digas
- esa
- La
- su
- luego
- Estas
- Código
- así
- Tres
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- a
- demasiado
- Toronto
- hacia
- Entrenar
- entrenado
- Formación
- Transformar
- desencadenados
- tipo
- tipos
- aseguramiento
- subido
- ¿Cómo subir tu libro?
- utilizan el
- caso de uso
- usado
- usos
- usando
- validación
- propuesta de
- Valores
- variable
- diversos
- versión
- versiones
- Ver
- visión
- caminado
- quieres
- fue
- we
- web
- servicios web
- cuando
- que
- mientras
- seguirá
- flujos de trabajo
- trabajando
- Usted
- tú
- zephyrnet