aasta esimene postitus Sellest kolmeosalisest seeriast esitlesime lahendust, mis demonstreerib, kuidas saate automatiseerida dokumentide võltsimise ja ulatusliku pettuse tuvastamist, kasutades hüpoteeklaenude tagamise kasutusjuhtumi puhul AWS AI ja masinõppe (ML) teenuseid.
aasta teine postitus, arutasime lähenemisviisi sügava õppepõhise arvutinägemise mudeli väljatöötamiseks, et tuvastada ja tõsta esile võltsitud kujutisi hüpoteeklaenude tagamisel.
Selles postituses tutvustame lahendust hüpoteeklaenudokumentide pettuste tuvastamise automatiseerimiseks, kasutades ML-mudelit ja ettevõtte määratletud reegleid Amazoni pettusedetektor.
Lahenduse ülevaade
Kasutame pettuste tuvastamise automatiseerimiseks täielikult hallatavat pettuste tuvastamise teenust Amazon Fraud Detector. Eesmärgiga parandada pettuste prognoosimise täpsust, tuvastades ennetavalt dokumendipettused ja parandades samal ajal kindlustuslepingu täpsust, aitab Amazon Fraud Detector luua kohandatud pettuste tuvastamise mudeleid, kasutades ajaloolist andmekogumit, konfigureerida kohandatud otsustusloogikat sisseehitatud reeglimootori abil ja korraldada riskiotsuseid. töövood ühe nupuvajutusega.
Järgmine diagramm kujutab hüpoteeklaenu dokumendipettuste tuvastamise torustiku iga etappi.
Nüüd käsitleme hüpoteegidokumentide pettuste tuvastamise torujuhtme kolmandat komponenti. Selle komponendi juurutamise sammud on järgmised.
- Laadige ajaloolised andmed üles aadressile Amazoni lihtne salvestusteenus (Amazon S3).
- Valige oma valikud ja treenige mudelit.
- Loo mudel.
- Vaadake üle mudeli jõudlus.
- Mudeli juurutamine.
- Looge detektor.
- Lisage mudeliskooride tõlgendamiseks reegleid.
- Prognooside tegemiseks juurutage API.
Eeldused
Selle lahenduse eeltingimuseks on järgmised sammud.
- Registreeruge AWS-i konto jaoks.
- Seadistage load, mis võimaldavad teie AWS-i kontol juurdepääsu Amazoni pettusedetektorile.
- Koguge ajaloolised pettuste andmed, mida kasutatakse pettusedetektori mudeli koolitamiseks, järgides järgmisi nõudeid.
- Andmed peavad olema CSV-vormingus ja neil peavad olema päised.
- Vaja on kahte päist:
EVENT_TIMESTAMP
jaEVENT_LABEL
. - Andmed peavad asuma Amazon S3-s AWS-i piirkonnas, mida teenus toetab.
- Enne treenimist on tungivalt soovitatav käitada andmeprofiil (kasutage Amazon Fraud Detectori automatiseeritud andmete profileerija).
- Soovitatav on kasutada vähemalt 3–6 kuu andmeid.
- Pettuse küpsemine võtab aega; Soovitatavad andmed on 1–3 kuud vanad (mitte liiga värsked).
- Mõned NULL-id ja puuduvad väärtused on vastuvõetavad (kuid liiga palju ja muutujat ignoreeritakse, nagu on kirjeldatud artiklis Muutuja tüüp puudub või on vale).
Laadige ajaloolised andmed Amazon S3-sse
Kui teil on pettusedetektori mudeli koolitamiseks kohandatud ajaloolised andmefailid, looge S3-salv ja laadige andmed ämbrisse.
Valige valikud ja koolitage modell
Järgmine samm pettusedetektori mudeli väljatöötamise ja koolitamise suunas on määratleda äritegevus (sündmus), mida pettuse suhtes hinnata. Sündmuse määratlemine hõlmab teie andmestiku muutujate, sündmuse algatava üksuse ja sündmust klassifitseerivate siltide määramist.
Dokumendipettuse tuvastamiseks dokumendipettuse tuvastamiseks, mille algatab hüpoteegi taotleja, viidates uuele hüpoteegitaotlusele, tehke järgmised sammud:
- Amazon Fraud Detectori konsoolil valige Sündmused navigeerimispaanil.
- Vali Looma.
- alla Sündmuse tüübi üksikasjad, sisenema
docfraud
sündmuse tüübi nimena ja soovi korral sisestage sündmuse kirjeldus. - Vali Loo üksus.
- Kohta Loo üksus leht, sisestage
applicant_mortgage
olemitüübi nimena ja soovi korral sisestage olemitüübi kirjeldus. - Vali Loo üksus.
- alla Sündmuste muutujadJaoks Valige, kuidas selle sündmuse muutujaid määratleda, vali Valige treeninguandmestikust muutujad.
- eest IAM roll, vali Looge IAM-i roll.
- Kohta Looge IAM-i roll lehele, sisestage S3 ämbri nimi koos näidisandmetega ja valige Loo roll.
- eest Andmete asukoht, sisestage oma ajalooliste andmete tee. See on S3 URI tee, mille salvestasite pärast ajalooliste andmete üleslaadimist. Tee on sarnane
S3://your-bucket-name/example dataset filename.csv
. - Vali Täiendava.
Muutujad esindavad andmeelemente, mida soovite pettuse prognoosimisel kasutada. Neid muutujaid saab võtta sündmuste andmekogumist, mille valmistasite ette oma mudeli koolitamiseks, teie Amazon Fraud Detectori mudeli riskiskoori väljunditest või Amazon SageMaker mudelid. Lisateavet sündmuste andmestikust võetud muutujate kohta vt Hankige sündmuste andmestiku nõuded andmemudelite uurija abil.
- alla Sildid – valikulineJaoks Labels, vali Looge uusi silte.
- Kohta Loo silt leht, sisestage
fraud
nimena. See silt vastab väärtusele, mis esindab näidisandmestiku petturlikku hüpoteegitaotlust. - Vali Loo silt.
- Looge teine silt nimega
legit
. See silt vastab väärtusele, mis esindab näidisandmestiku seaduslikku hüpoteegitaotlust. - Vali Loo sündmuse tüüp.
Järgmine ekraanipilt näitab meie sündmuse tüübi üksikasju.
Järgmine ekraanipilt näitab meie muutujaid.
Järgmine ekraanipilt näitab meie silte.
Loo mudel
Kui olete ajaloolised andmed laadinud ja mudeli koolitamiseks vajalikud suvandid valinud, tehke mudeli loomiseks järgmised sammud.
- Amazon Fraud Detectori konsoolil valige Mudelid navigeerimispaanil.
- Vali Lisa mudel, ja seejärel vali Loo mudel.
- Kohta Määratlege mudeli üksikasjad leht, sisestage
mortgage_fraud_detection_model
mudeli nime ja valikulise mudeli kirjeldusena. - eest Mudelitüüp, Vali Interneti-pettuste ülevaade mudel.
- eest Sündmuse tüüp, vali
docfraud
. See on sündmuse tüüp, mille olete varem loonud. - aasta Ajaloosündmuste andmed jaotises esitage järgmine teave:
- eest Sündmuse andmeallikas, vali Sündmuse andmed, mis on salvestatud S3-sse (või AFD-sse).
- eest IAM roll, valige varem loodud roll.
- eest Treeningu andmete asukoht, sisestage näidisandmefaili S3 URI tee.
- Vali järgmine.
- aasta Mudelisisendid jätke kõik märkeruudud märgituks. Vaikimisi kasutab Amazon Fraud Detector mudeli sisenditena kõiki teie ajalooliste sündmuste andmestiku muutujaid.
- aasta Märgistuse klassifikatsioon jaotis, jaoks Pettuse sildid, vali
fraud
, mis vastab väärtusele, mis esindab petturlikke sündmusi näiteandmestiku näites. - eest Õiguspärased sildid, vali
legit
, mis vastab väärtusele, mis esindab näidisandmestiku seaduslikke sündmusi. - eest Sildita sündmused, säilita vaikevalik Ignoreeri märgistamata sündmusi selle näite andmestiku jaoks.
- Vali järgmine.
- Vaadake oma seaded üle ja seejärel valige Looge ja treenige mudel.
Amazon Fraud Detector loob mudeli ja hakkab koolitama mudeli uut versiooni.
Kohta Mudeli versioonid leht, olek veerg näitab mudelkoolituse olekut. Näidisandmestikku kasutava mudelikoolituse läbimiseks kulub umbes 45 minutit. Olek muutub olekuks Kasutusvalmis pärast mudelikoolituse lõppu.
Vaadake üle mudeli jõudlus
Pärast mudeli koolituse lõppu kinnitab Amazon Fraud Detector mudeli jõudluse, kasutades 15% teie andmetest, mida mudeli väljaõpetamiseks ei kasutatud, ja pakub mudeli jõudluse hindamiseks erinevaid tööriistu, sealhulgas skoori jaotusgraafikut ja segaduste maatriksit.
Mudeli jõudluse vaatamiseks toimige järgmiselt.
- Amazon Fraud Detectori konsoolil valige Mudelid navigeerimispaanil.
- Valige mudel, mida just treenisite (
sample_fraud_detection_model
), seejärel valige 1.0. See on teie mudelist loodud Amazon Fraud Detectori versioon. - Vaadake üle Mudeli jõudlus üldskoor ja kõik muud mõõdikud, mille Amazon Fraud Detector selle mudeli jaoks genereeris.
Mudeli juurutamine
Kui olete oma koolitatud mudeli toimivusmõõdikud üle vaadanud ja olete valmis seda kasutama pettuseennustuste loomiseks, saate mudeli kasutusele võtta.
- Amazon Fraud Detectori konsoolil valige Mudelid navigeerimispaanil.
- Valige mudel
sample_fraud_detection_model
ja seejärel valige konkreetne mudeli versioon, mida soovite juurutada. Selle postituse jaoks valige 1.0. - Kohta Mudeli versioon lehel Meetmete menüüst valige Mudeli versiooni juurutamine.
Kohta Mudeli versioonid leht, olek näitab juurutamise olekut. Olek muutub olekuks aktiivne kui juurutamine on lõppenud. See näitab, et mudeli versioon on aktiveeritud ja saadaval pettuste prognooside loomiseks.
Looge detektor
Pärast mudeli kasutuselevõttu koostate selle jaoks detektori docfraud
sündmuse tüüp ja lisage juurutatud mudel. Tehke järgmised sammud.
- Amazon Fraud Detectori konsoolil valige Detektorid navigeerimispaanil.
- Vali Loo detektor.
- Kohta Määratlege detektori üksikasjad leht, sisestage
fraud_detector
detektori nime jaoks ja soovi korral sisestage detektori kirjeldus, näiteks minu näidispettuse detektor. - eest Sündmuse tüüp, vali
docfraud
. See on sündmus, mille lõite varem. - Vali järgmine.
Lisage tõlgendamiseks reegleid
Pärast Amazon Fraud Detectori mudeli loomist saate kasutada Amazon Fraud Detectori konsooli või rakenduste programmeerimisliidest (API), et määratleda äripõhised reeglid (tingimused, mis ütlevad Amazon Fraud Detectorile, kuidas tõlgendada mudeli jõudlusskoori pettuse ennustamise hindamisel). . Hüpoteeklaenu tagamise protsessiga vastavusse viimiseks võite luua reeglid hüpoteegitaotluste märgistamiseks vastavalt seotud riskitasemetele, mis on kaardistatud pettusena, seaduslikuna või kui on vaja ülevaatamist.
Näiteks võite soovida automaatselt tagasi lükata kõrge pettuseriskiga hüpoteeklaenutaotlused, võttes arvesse selliseid parameetreid nagu nõutavate dokumentide võltsitud pildid, puuduvad dokumendid, nagu palganumbrid või sissetulekunõuded jne. Teisest küljest võivad teatud rakendused tõhusate otsuste tegemiseks vajada inimest.
Amazon Fraud Detector kasutab mudeliskooride genereerimiseks koondväärtust (arvutatakse töötlemata muutujate komplekti kombineerimisel) ja toorväärtust (muutujale ette nähtud väärtus). Mudeli hinded võivad olla vahemikus 0–1000, kus 0 näitab madalat pettuseriski ja 1000 kõrget pettuseriski.
Vastavate äripõhiste reeglite lisamiseks toimige järgmiselt.
- Amazon Fraud Detectori konsoolil valige Reeglid navigeerimispaanil.
- Vali Lisa reegel.
- aasta Määratlege reegel jaotises sisestage reegli nimeks pettus ja soovi korral sisestage kirjeldus.
- eest Väljendus, sisestage reegliavaldis Amazon Fraud Detectori lihtsustatud reegliavaldise keele abil
$docdraud_insightscore >= 900
- eest Tulemused, vali Loo uus tulemus (Tulemus on pettuse ennustuse tulemus ja see tagastatakse, kui reegel kattub hindamise ajal.)
- aasta Loo uus tulemus Jaotises sisestage tulemuse nimeks tagasilükkamine ja valikuline kirjeldus.
- Vali Salvestage tulemus
- Vali Lisa reegel reegli kinnitamise kontrollija käivitamiseks ja reegli salvestamiseks.
- Pärast selle loomist teeb Amazon Fraud Detector järgmise
high_risk
reegel on teie detektoris kasutamiseks saadaval.- Reegli nimi:
fraud
- Tulemus:
decline
- Väljend:
$docdraud_insightscore >= 900
- Reegli nimi:
- Vali Lisage veel üks reegelja seejärel valige Loo reegel vahekaarti, et lisada 2 täiendavat reeglit nagu allpool:
- Loo
low_risk
reegel järgmiste üksikasjadega:- Reegli nimi:
legit
- Tulemus:
approve
- Väljend:
$docdraud_insightscore <= 500
- Reegli nimi:
- Loo
medium_risk
reegel järgmiste üksikasjadega:- Reegli nimi:
review needed
- Tulemus:
review
- Väljend:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- Reegli nimi:
Need väärtused on selle postituse jaoks kasutatud näited. Kui loote oma detektorile reegleid, kasutage väärtusi, mis sobivad teie mudeli ja kasutusjuhtumiga.
- Kui olete kõik kolm reeglit loonud, valige järgmine.
Prognooside tegemiseks juurutage API
Pärast reeglipõhiste toimingute käivitamist saate laenurakenduste hindamiseks ja potentsiaalsete pettuste ennustamiseks juurutada Amazoni pettusedetektori API. Prognoose saab teostada pakettidena või reaalajas.
Integreerige oma SageMakeri mudel (valikuline)
Kui teil on SageMakeris juba pettuste tuvastamise mudel, saate selle oma eelistatud tulemuste saamiseks integreerida Amazon Fraud Detectoriga.
See tähendab, et saate oma rakenduses kasutada erinevat tüüpi pettuste tuvastamiseks nii SageMakeri kui ka Amazon Fraud Detectori mudeleid. Näiteks saab teie rakendus kasutada Amazon Fraud Detectori mudelit kliendikontode pettuseriski hindamiseks ja samaaegselt kasutada teie PageMakeri mudelit konto ohustamise riski kontrollimiseks.
Koristage
Edaspidiste tasude vältimiseks kustutage lahenduse jaoks loodud ressursid, sealhulgas järgmised.
- S3 kopp
- Amazoni pettusedetektori lõpp-punkt
Järeldus
See postitus juhatas teid läbi automaatse ja kohandatud lahenduse hüpoteeklaenude tagamise protsessis toimuvate pettuste tuvastamiseks. See lahendus võimaldab avastada pettuse katseid pettuse toimumise ajale lähemal ja aitab kindlustusandjatel tõhusalt otsustada. Lisaks võimaldab juurutamise paindlikkus määratleda äripõhised reeglid, et klassifitseerida ja fikseerida petturlikud katsed, mis on kohandatud konkreetsete ärivajadustega.
Lisateavet hüpoteeklaenu dokumendipettuste tuvastamise lahenduse loomise kohta leiate aadressilt Osa 1 ja Osa 2 selles sarjas.
Autoritest
Anup Ravindranath on Kanadas Torontos asuva Amazon Web Servicesi (AWS) vanemlahenduste arhitekt, kes töötab finantsteenuste organisatsioonidega. Ta aitab klientidel oma ettevõtet ümber kujundada ja pilves uuendusi teha.
Vinnie Saini on Kanadas Torontos asuva Amazon Web Servicesi (AWS) vanemlahenduste arhitekt. Ta on aidanud finantsteenuste klientidel pilves ümber kujundada, AI- ja ML-põhised lahendused on rajatud arhitektuurilise tipptaseme tugevatele alustaladele.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: 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/
- :on
- :on
- :mitte
- : kus
- $ UP
- 100
- 15%
- 7
- 900
- a
- MEIST
- vastuvõetav
- juurdepääs
- Vastavalt
- konto
- Kontod
- meetmete
- tegevus
- tegevus
- lisama
- Täiendavad lisad
- Lisaks
- pärast
- AI
- viia
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- juba
- Amazon
- Amazoni pettusedetektor
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- ja
- Teine
- mistahes
- API
- taotlus
- rakendused
- lähenemine
- asjakohane
- umbes
- arhitektuuri-
- arhitektuur
- OLEME
- AS
- hinnata
- seotud
- At
- Katsed
- automatiseerima
- Automatiseeritud
- automaatselt
- saadaval
- vältima
- AWS
- põhineb
- BE
- olnud
- enne
- algab
- alla
- vahel
- mõlemad
- ehitama
- Ehitus
- sisseehitatud
- äri
- ettevõtted
- kuid
- nupp
- by
- arvutatud
- kutsutud
- CAN
- Kanada
- lüüa
- juhul
- kindel
- Vaidluste lahendamine
- koormuste
- Joonis
- kontrollima
- kontrollitud
- Vali
- klassifikatsioon
- Klassifitseerige
- klõps
- lähemale
- Cloud
- Veerg
- kombineerimine
- täitma
- komponent
- kompromiss
- arvuti
- Arvuti visioon
- kontseptuaalne
- Tingimused
- segadus
- arvestades
- konsool
- vastab
- kattes
- looma
- loodud
- loob
- tava
- klient
- Kliendid
- kohandatud
- andmed
- otsus
- Otsuse tegemine
- otsused
- Väheneb
- sügav
- vaikimisi
- määratlema
- määratlemisel
- näitab
- juurutada
- lähetatud
- kasutuselevõtu
- kirjeldus
- detailid
- avastama
- Detection
- arendama
- skeem
- erinev
- arutatud
- jaotus
- dokument
- dokumendid
- ajendatud
- ajal
- iga
- Ajalugu
- Tõhus
- elemendid
- Lõpuks-lõpuni
- Mootor
- sisene
- üksus
- hindama
- hindamine
- hindamine
- sündmus
- sündmused
- näide
- näited
- Excellence
- väljend
- fail
- Faile
- finants-
- finantsteenused
- Paindlikkus
- Järel
- järgneb
- eest
- võltsitud
- formaat
- alus
- pettus
- pettuste avastamine
- pettusega
- Alates
- täielikult
- tulevik
- tekitama
- loodud
- käsi
- Olema
- he
- päised
- aidates
- aitab
- Suur
- Esile tõstma
- kõrgelt
- ajalooline
- Kuidas
- Kuidas
- http
- HTTPS
- inim-
- identifitseerimiseks
- if
- pildid
- täitmine
- parandama
- Paranemist
- in
- Kaasa arvatud
- tulu
- ebaõige
- näitab
- info
- algatatud
- uuendama
- sisendite
- integreerima
- Interface
- hõlmab
- IT
- jpg
- lihtsalt
- hoidma
- silt
- Labels
- inetu
- keel
- õppimine
- kõige vähem
- Lahkuma
- õigustatud
- laenud
- taset
- nagu
- loogika
- Madal
- masin
- masinõpe
- tegema
- TEEB
- Tegemine
- juhitud
- palju
- tikud
- maatriks
- küps
- mai..
- Meetrika
- protokoll
- puuduvad
- ML
- mudel
- mudelid
- kuu
- rohkem
- Hüpoteek
- peab
- my
- nimi
- NAVIGATSIOON
- Vajadus
- vaja
- vajadustele
- Uus
- järgmine
- nüüd
- eesmärk
- esinemine
- of
- Vana
- on
- Valikud
- or
- organisatsioonid
- Muu
- meie
- Tulemus
- väljundid
- üldine
- enda
- lehekülg
- pane
- parameetrid
- osa
- tee
- jõudlus
- teostatud
- Õigused
- sambad
- torujuhe
- Platon
- Platoni andmete intelligentsus
- PlatoData
- post
- potentsiaal
- ennustada
- ennustus
- Ennustused
- eelistatud
- valmis
- eeltingimus
- esitada
- esitatud
- protsess
- profiil
- Programming
- anda
- tingimusel
- annab
- Töötlemata
- valmis
- reaalne
- reaalajas
- hiljuti
- soovitatav
- viitama
- piirkond
- esindama
- esindab
- nõutav
- Nõuded
- Vahendid
- need
- kaasa
- Tulemused
- läbi
- -Läbi
- Oht
- Roll
- Eeskiri
- eeskirjade
- jooks
- salveitegija
- proov
- Säästa
- salvestatud
- Skaala
- skoor
- Teine
- Osa
- vaata
- väljavalitud
- valik
- vanem
- Seeria
- teenus
- Teenused
- komplekt
- kehtestamine
- seaded
- ta
- Näitused
- sarnane
- lihtne
- üheaegselt
- So
- lahendus
- Lahendused
- konkreetse
- Stage
- olek
- Samm
- Sammud
- ladustamine
- ladustatud
- tugev
- selline
- Toetatud
- võtnud
- võtab
- öelda
- et
- .
- oma
- SIIS
- Need
- Kolmas
- see
- kolm
- Läbi
- aeg
- et
- liiga
- töövahendid
- Toronto
- suunas
- Rong
- koolitatud
- koolitus
- Muutma
- vallandas
- tüüp
- liigid
- allakirjutamine
- laetud
- Üleslaadimine
- kasutama
- kasutage juhtumit
- Kasutatud
- kasutusalad
- kasutamine
- kinnitamine
- väärtus
- Väärtused
- muutuja
- eri
- versioon
- versioonid
- vaade
- nägemus
- kõndis
- tahan
- oli
- we
- web
- veebiteenused
- millal
- mis
- kuigi
- will
- koos
- Töövoogud
- töö
- sa
- Sinu
- sephyrnet