In ensimmäinen viesti Tässä kolmiosaisessa sarjassa esittelimme ratkaisun, joka osoittaa, kuinka voit automatisoida asiakirjojen peukaloinnin ja petosten havaitsemisen laajassa mittakaavassa käyttämällä AWS AI- ja koneoppimispalveluita asuntolainavakuutusten käyttötapauksissa.
In toinen viesti, keskustelimme lähestymistavasta kehittää syvään oppimiseen perustuva tietokonenäkömalli, jolla voidaan havaita ja korostaa väärennettyjä kuvia asuntolainan takaamisessa.
Tässä viestissä esittelemme ratkaisun, jolla automatisoidaan asuntolainatodistuspetosten havaitseminen ML-mallin ja yrityksen määrittelemien sääntöjen avulla. Amazonin petosilmaisin.
Ratkaisun yleiskatsaus
Käytämme Amazon Fraud Detectoria, täysin hallittua petosten havaitsemispalvelua, automatisoidaksemme vilpillisten toimintojen havaitsemisen. Amazon Fraud Detector auttaa sinua rakentamaan räätälöityjä petosten havaitsemismalleja käyttämällä historiallista tietojoukkoa, konfiguroimaan mukautettua päätöslogiikkaa sisäänrakennetun sääntömoottorin avulla ja organisoimaan riskipäätöksen. Tavoitteena on parantaa petosten ennustetarkkuutta tunnistamalla ennakoivasti asiakirjapetokset ja parantamalla samalla vakuutusten tarkkuutta. työnkulkuja napin painalluksella.
Seuraava kaavio esittää kutakin vaihetta kiinnitystodistuspetosten havaitsemisprosessissa.
Käsittelemme nyt kiinnitysasiakirjapetosten havaitsemisprosessin kolmatta osaa. Tämän komponentin käyttöönottovaiheet ovat seuraavat:
- Lataa historiatiedot kohteeseen Amazonin yksinkertainen tallennuspalvelu (Amazon S3).
- Valitse vaihtoehtosi ja kouluta malli.
- Luo malli.
- Tarkista mallin suorituskyky.
- Ota malli käyttöön.
- Luo ilmaisin.
- Lisää sääntöjä mallipisteiden tulkitsemiseksi.
- Ota API käyttöön ennusteiden tekemiseen.
Edellytykset
Seuraavat ovat tämän ratkaisun edellytysvaiheet:
- Luo AWS-tili.
- Määritä käyttöoikeudet, joiden avulla AWS-tilisi voi käyttää Amazon Fraud Detectoria.
- Kerää historialliset petostiedot, joita käytetään petostenpaljastimen mallin kouluttamiseen seuraavien vaatimusten mukaisesti:
- Tietojen on oltava CSV-muodossa ja niissä on oltava otsikot.
- Kaksi otsikkoa vaaditaan:
EVENT_TIMESTAMP
jaEVENT_LABEL
. - Tietojen tulee sijaita Amazon S3:ssa palvelun tukemalla AWS-alueella.
- On erittäin suositeltavaa suorittaa tietoprofiili ennen harjoittelua (käytä automaattinen tietojen profilointi Amazon Fraud Detectorille).
- On suositeltavaa käyttää vähintään 3–6 kuukauden tietoja.
- Petoksen kypsyminen vie aikaa; 1–3 kuukautta vanhoja tietoja suositellaan (ei liian tuoretta).
- Jotkut NULL-arvot ja puuttuvat arvot ovat hyväksyttäviä (mutta liian monta ja muuttuja jätetään huomiotta, kuten kuvataan Puuttuva tai virheellinen muuttujatyyppi).
Lataa historialliset tiedot Amazon S3:een
Kun olet hankkinut mukautetut historialliset datatiedostot petostenpaljastimen mallin kouluttamiseksi, luo S3-säilö ja lataa tiedot ämpäriin.
Valitse vaihtoehdot ja kouluta malli
Seuraava askel kohti petostenpaljastimen mallin rakentamista ja koulutusta on määritellä liiketoiminta (tapahtuma), joka arvioidaan petoksen varalta. Tapahtuman määrittäminen sisältää tietojoukon muuttujien, tapahtuman aloittavan entiteetin ja tapahtuman luokittelevien tunnisteiden asettamisen.
Suorita seuraavat vaiheet määrittääksesi asiakirjapetostapahtuman asiakirjapetosten havaitsemiseksi, jonka kiinnelainan hakija käynnistää viitaten uuteen kiinnityshakemukseen:
- Valitse Amazon Fraud Detector -konsolista Tapahtumat navigointipaneelissa.
- Valita luoda.
- Alle Tapahtumatyypin tiedot, tulla sisään
docfraud
tapahtumatyypin nimenä ja halutessasi kirjoita tapahtuman kuvaus. - Valita Luo kokonaisuus.
- On Luo kokonaisuus sivu, syötä
applicant_mortgage
entiteettityypin nimeksi ja valinnaisesti kirjoita kokonaisuustyypin kuvaus. - Valita Luo kokonaisuus.
- Alle TapahtumamuuttujatVarten Valitse miten määritetään tämän tapahtuman muuttujat, valitse Valitse muuttujat harjoitustietojoukosta.
- varten IAM-rooli, valitse Luo IAM-rooli.
- On Luo IAM-rooli -sivulle, anna S3-ämpäri esimerkkitietojesi kanssa ja valitse Luo rooli.
- varten Tietojen sijainti, anna polku historiatietoihisi. Tämä on S3-URI-polku, jonka tallensit historiatietojen lähettämisen jälkeen. Polku on samanlainen kuin
S3://your-bucket-name/example dataset filename.csv
. - Valita Lataa.
Muuttujat edustavat tietoelementtejä, joita haluat käyttää petoksen ennustamisessa. Nämä muuttujat voidaan ottaa tapahtumatietojoukosta, jonka valmistit mallisi harjoittelua varten, Amazon Fraud Detector -mallisi riskipistetuloksista tai Amazon Sage Maker mallit. Lisätietoja tapahtumatietojoukosta otetuista muuttujista on kohdassa Hanki tapahtumatietojoukon vaatimukset tietomallien tutkijan avulla.
- Alle Tarrat – valinnainenVarten tarrat, valitse Luo uusia tarroja.
- On Luo tarra sivu, syötä
fraud
kuin nimi. Tämä tunniste vastaa arvoa, joka edustaa vilpillistä asuntolainahakemusta esimerkkitietojoukossa. - Valita Luo tarra.
- Luo toinen tarra nimeltä
legit
. Tämä tunniste vastaa arvoa, joka edustaa esimerkkitietojoukon laillista asuntolainahakemusta. - Valita Luo tapahtuman tyyppi.
Seuraava kuvakaappaus näyttää tapahtumatyyppimme tiedot.
Seuraava kuvakaappaus näyttää muuttujamme.
Seuraava kuvakaappaus näyttää tarramme.
Luo malli
Kun olet ladannut historialliset tiedot ja valinnut tarvittavat vaihtoehdot mallin kouluttamiseen, luo malli seuraavasti:
- Valitse Amazon Fraud Detector -konsolista Mallit navigointipaneelissa.
- Valita Lisää malli, ja valitse sitten Luo malli.
- On Määritä mallin yksityiskohdat sivu, syötä
mortgage_fraud_detection_model
mallin nimenä ja valinnaisena mallin kuvauksena. - varten Mallityyppi, Valitse Online Fraud Insights malli.
- varten Tapahtumatyyppi, valitse
docfraud
. Tämä on aiemmin luomasi tapahtumatyyppi. - In Historialliset tapahtumatiedot -osassa, anna seuraavat tiedot:
- varten Tapahtuman tietolähde, valitse Tallennetut tapahtumatiedot ladattu S3:een (tai AFD:hen).
- varten IAM-rooli, valitse aiemmin luomasi rooli.
- varten Harjoitteludatan sijainti, anna S3 URI -polku esimerkkidatatiedostoosi.
- Valita seuraava.
- In Mallitulot -osiossa, jätä kaikki valintaruudut valittuina. Oletuksena Amazon Fraud Detector käyttää kaikkia historiallisen tapahtumatietojoukon muuttujia mallisyötteinä.
- In Etiketin luokitus osa, varten Petosmerkit, valitse
fraud
, joka vastaa arvoa, joka edustaa petollisia tapahtumia esimerkkitietojoukossa. - varten Oikeutetut etiketit, valitse
legit
, joka vastaa arvoa, joka edustaa esimerkkitietojoukon laillisia tapahtumia. - varten Merkitsemättömät tapahtumat, säilytä oletusvalinta Ohita merkitsemättömät tapahtumat tälle esimerkkitietojoukolle.
- Valita seuraava.
- Tarkista asetuksesi ja valitse sitten Luo ja kouluta malli.
Amazon Fraud Detector luo mallin ja alkaa kouluttaa mallista uutta versiota.
On Mallin versiot sivu, Tila sarake osoittaa mallikoulutuksen tilan. Esimerkkitietojoukkoa käyttävän mallikoulutuksen suorittaminen kestää noin 45 minuuttia. Tila vaihtuu muotoon Valmiina käyttöönottoon mallikoulutuksen jälkeen.
Tarkista mallin suorituskyky
Kun mallin koulutus on valmis, Amazon Fraud Detector vahvistaa mallin suorituskyvyn käyttämällä 15 % tiedoistasi, joita ei käytetty mallin kouluttamiseen, ja tarjoaa erilaisia työkaluja, kuten pisteytyksen jakautumiskaavion ja sekavuusmatriisin, mallin suorituskyvyn arvioimiseksi.
Voit tarkastella mallin suorituskykyä suorittamalla seuraavat vaiheet:
- Valitse Amazon Fraud Detector -konsolista Mallit navigointipaneelissa.
- Valitse juuri kouluttamasi malli (
sample_fraud_detection_model
), valitse sitten 1.0. Tämä on mallistasi luotu Amazon Fraud Detector -versio. - Tarkista Mallin suorituskyky kokonaispistemäärä ja kaikki muut mittarit, jotka Amazon Fraud Detector on luonut tälle mallille.
Ota käyttöön malli
Kun olet tarkistanut koulutetun mallisi suorituskykymittarit ja olet valmis käyttämään sitä petosennusteiden luomiseksi, voit ottaa mallin käyttöön:
- Valitse Amazon Fraud Detector -konsolista Mallit navigointipaneelissa.
- Valitse malli
sample_fraud_detection_model
ja valitse sitten tietty malliversio, jonka haluat ottaa käyttöön. Valitse tätä viestiä varten 1.0. - On Malliversio -sivulla Toiminnot valikosta, valitse Ota malliversio käyttöön.
On Mallin versiot sivu, Tila näyttää käyttöönoton tilan. Tila vaihtuu muotoon Aktiiviset kun käyttöönotto on valmis. Tämä osoittaa, että malliversio on aktivoitu ja käytettävissä petosennusteiden luomiseen.
Luo ilmaisin
Kun olet ottanut mallin käyttöön, rakennat ilmaisimen docfraud
tapahtumatyyppi ja lisää käyttöön otettu malli. Suorita seuraavat vaiheet:
- Valitse Amazon Fraud Detector -konsolista ilmaisimet navigointipaneelissa.
- Valita Luo ilmaisin.
- On Määritä ilmaisimen tiedot sivu, syötä
fraud_detector
ilmaisimen nimeksi ja valinnaisesti kirjoita ilmaisimen kuvaus, kuten näytehuijauksen ilmaisin. - varten Tapahtuman tyyppi, valitse
docfraud
. Tämä on tapahtuma, jonka loit aiemmin. - Valita seuraava.
Lisää tulkittavia sääntöjä
Kun olet luonut Amazon Fraud Detector -mallin, voit käyttää Amazon Fraud Detector -konsolia tai sovellusohjelmointirajapintaa (API) liiketoimintalähtöisten sääntöjen määrittämiseen (olosuhteet, jotka kertovat Amazon Fraud Detectorille, kuinka mallin suoritusarvot tulkitaan petosten ennustamisen arvioinnissa). . Voit yhdenmukaistaa asuntolainausprosessin kanssa luomalla sääntöjä kiinnityshakemusten merkitsemiseksi niihin liittyvien riskitasojen mukaan, jotka on kartoitettu petoksiksi, laillisiksi tai jos tarkistus on tarpeen.
Voit esimerkiksi hylätä automaattisesti asuntolainahakemukset, joissa on suuri petosriski, ottaen huomioon parametrit, kuten vaadittujen asiakirjojen peukaloidut kuvat, puuttuvat asiakirjat, kuten palkkataulukot tai tulovaatimukset, ja niin edelleen. Toisaalta tietyt sovellukset saattavat tarvita ihmisen silmukassa tehdäkseen tehokkaita päätöksiä.
Amazon Fraud Detector käyttää aggregoitua arvoa (laskettu yhdistämällä joukko raakamuuttujia) ja raaka-arvoa (muuttujalle annettu arvo) mallipisteiden luomiseen. Mallin pisteet voivat olla 0–1000, jossa 0 tarkoittaa pientä petosriskiä ja 1000 suurta petosriskiä.
Voit lisätä vastaavat yrityslähtöiset säännöt seuraavasti:
- Valitse Amazon Fraud Detector -konsolista Säännöt navigointipaneelissa.
- Valita Lisää sääntö.
- In Määrittele sääntö -osiossa, kirjoita säännön nimeksi petos ja kirjoita vaihtoehtoisesti kuvaus.
- varten Ilmaisu, syötä sääntölauseke käyttämällä Amazon Fraud Detectorin yksinkertaistettua sääntölausekekieltä
$docdraud_insightscore >= 900
- varten tulokset, valitse Luo uusi tulos (Tulos on petosennusteen tulos ja palautetaan, jos sääntö täsmää arvioinnin aikana.)
- In Luo uusi tulos kirjoita hylkääminen tuloksen nimeksi ja valinnainen kuvaus.
- Valita Tallenna tulos
- Valita Lisää sääntö Suorita säännön tarkistuksen tarkistaja ja tallenna sääntö.
- Kun se on luotu, Amazon Fraud Detector tekee seuraavan
high_risk
sääntö käytettävissä ilmaisimessasi.- Säännön nimi:
fraud
- Tulokset:
decline
- Ilmaisu:
$docdraud_insightscore >= 900
- Säännön nimi:
- Valita Lisää toinen sääntöja valitse sitten Luo sääntö -välilehti lisätäksesi 2 lisäsääntöä alla:
- Luo
low_risk
sääntö seuraavilla yksityiskohdilla:- Säännön nimi:
legit
- Tulokset:
approve
- Ilmaisu:
$docdraud_insightscore <= 500
- Säännön nimi:
- Luo
medium_risk
sääntö seuraavilla yksityiskohdilla:- Säännön nimi:
review needed
- Tulokset:
review
- Ilmaisu:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- Säännön nimi:
Nämä arvot ovat esimerkkejä, joita käytetään tässä viestissä. Kun luot sääntöjä omalle ilmaisimellesi, käytä mallillesi ja käyttötapauksellesi sopivia arvoja.
- Kun olet luonut kaikki kolme sääntöä, valitse seuraava.
Ota API käyttöön ennusteiden tekemiseen
Kun sääntöihin perustuvat toiminnot on käynnistetty, voit ottaa käyttöön Amazon Fraud Detector APIn arvioidaksesi lainaussovelluksia ja ennustaaksesi mahdollisia petoksia. Ennusteet voidaan suorittaa erässä tai reaaliajassa.
Integroi SageMaker-mallisi (valinnainen)
Jos sinulla on jo petosten havaitsemismalli SageMakerissa, voit integroida sen Amazon Fraud Detectoriin saadaksesi haluamasi tulokset.
Tämä tarkoittaa, että voit käyttää sovelluksessasi sekä SageMaker- että Amazon Fraud Detector -malleja erilaisten petosten havaitsemiseen. Sovelluksesi voi esimerkiksi käyttää Amazon Fraud Detector -mallia asiakastilien petosriskin arvioimiseen ja samalla käyttää PageMaker-malliasi tilien vaarantumisriskin tarkistamiseen.
Puhdistaa
Vältä tulevia maksuja poistamalla ratkaisulle luodut resurssit, mukaan lukien seuraavat:
- S3-kauha
- Amazon Fraud Detector -päätepiste
Yhteenveto
Tämä viesti opasti sinut automatisoidun ja räätälöidyn ratkaisun havaitsemiseksi kiinnelainan myöntämisprosessissa. Tämän ratkaisun avulla voit havaita petolliset yritykset lähempänä petoksen tapahtumisajankohtaa ja auttaa vakuutuksenantajia tehokkaassa päätöksentekoprosessissa. Lisäksi toteutuksen joustavuuden ansiosta voit määrittää liiketoimintalähtöisiä sääntöjä, joiden avulla voit luokitella ja siepata petolliset yritykset, jotka on räätälöity tiettyihin liiketoiminnan tarpeisiin.
Lisätietoja kokonaisvaltaisen asuntolainatodistuspetosten havaitsemisratkaisun rakentamisesta on kohdassa Osa 1 ja Osa 2 tässä sarjassa.
Tietoja kirjoittajista
Anup Ravindranath on vanhempi ratkaisuarkkitehti Amazon Web Servicesissä (AWS) Torontossa, Kanadassa ja työskentelee rahoituspalveluorganisaatioiden kanssa. Hän auttaa asiakkaita muuttamaan liiketoimintaansa ja innovoimaan pilvessä.
Vinnie Saini on vanhempi ratkaisuarkkitehti Amazon Web Servicesissä (AWS) Torontossa, Kanadassa. Hän on auttanut Financial Services -asiakkaita muuttumaan pilvessä tekoäly- ja ML-pohjaisilla ratkaisuilla, jotka on asetettu arkkitehtonisen huippuosaamisen vahvoille peruspilareille.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: 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
- :ei
- :missä
- $ YLÖS
- 100
- 15%
- 7
- 900
- a
- Meistä
- hyväksyttävä
- pääsy
- Mukaan
- Tili
- Tilit
- toimet
- toiminta
- toiminta
- lisätä
- lisä-
- Lisäksi
- Jälkeen
- AI
- kohdista
- Kaikki
- mahdollistaa
- jo
- Amazon
- Amazonin petosilmaisin
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- ja
- Toinen
- Kaikki
- api
- Hakemus
- sovellukset
- lähestymistapa
- sopiva
- suunnilleen
- arkkitehtuurin
- arkkitehtuuri
- OVAT
- AS
- arvioida
- liittyvä
- At
- yrityksiä
- automatisoida
- Automatisoitu
- automaattisesti
- saatavissa
- välttää
- AWS
- perustua
- BE
- ollut
- ennen
- alkaa
- alle
- välillä
- sekä
- rakentaa
- Rakentaminen
- sisäänrakennettu
- liiketoiminta
- yritykset
- mutta
- nappia
- by
- laskettu
- nimeltään
- CAN
- Kanada
- kaapata
- tapaus
- tietty
- Muutokset
- maksut
- Kaavio
- tarkastaa
- tarkistettu
- Valita
- luokittelu
- luokitella
- napsauttaa
- lähempänä
- pilvi
- Sarake
- yhdistely
- täydellinen
- komponentti
- kompromissi
- tietokone
- Tietokoneen visio
- käsitteellinen
- olosuhteet
- sekaannus
- ottaen huomioon
- Console
- vastaa
- päällyste
- luoda
- luotu
- luo
- asiakassuhde
- asiakas
- Asiakkaat
- räätälöityjä
- tiedot
- päätös
- Päätöksenteko
- päätökset
- Hylkää
- syvä
- oletusarvo
- määritellä
- määrittelemällä
- osoittaa
- sijoittaa
- käyttöön
- käyttöönotto
- kuvaus
- yksityiskohdat
- havaita
- Detection
- kehittää
- kaavio
- eri
- keskusteltiin
- jakelu
- asiakirja
- asiakirjat
- ajanut
- aikana
- kukin
- Aikaisemmin
- Tehokas
- elementtejä
- päittäin
- Moottori
- enter
- kokonaisuus
- arvioida
- arviointiin
- arviointi
- tapahtuma
- Tapahtumat
- esimerkki
- Esimerkit
- Erinomaisuus
- lauseke
- filee
- Asiakirjat
- taloudellinen
- rahoituspalvelut
- Joustavuus
- jälkeen
- seuraa
- varten
- taotut
- muoto
- perustava
- petos
- petosten havaitseminen
- vilpillinen
- alkaen
- täysin
- tulevaisuutta
- tuottaa
- syntyy
- käsi
- Olla
- he
- otsikot
- auttaa
- auttaa
- Korkea
- Korostaa
- erittäin
- historiallinen
- Miten
- Miten
- http
- HTTPS
- ihmisen
- tunnistaminen
- if
- kuvien
- täytäntöönpano
- parantaa
- parantaminen
- in
- Mukaan lukien
- Tulo
- virheellinen
- ilmaisee
- tiedot
- aloitettu
- innovoida
- tuloa
- yhdistää
- liitäntä
- liittyy
- IT
- jpg
- vain
- Pitää
- Merkki
- tarrat
- ruma
- Kieli
- oppiminen
- vähiten
- jättää
- laillinen
- luotonanto
- tasot
- pitää
- logiikka
- Matala
- kone
- koneoppiminen
- tehdä
- TEE
- Tekeminen
- onnistui
- monet
- tulitikut
- Matriisi
- kypsä
- Saattaa..
- Metrics
- minuuttia
- puuttuva
- ML
- malli
- mallit
- kk
- lisää
- Kiinnitys
- täytyy
- my
- nimi
- suunnistus
- Tarve
- tarvitaan
- tarpeet
- Uusi
- seuraava
- nyt
- tavoite
- esiintyminen
- of
- Vanha
- on
- Vaihtoehdot
- or
- organisaatioiden
- Muut
- meidän
- Tulos
- lähdöt
- yleinen
- oma
- sivulla
- lasi
- parametrit
- osa
- polku
- suorituskyky
- suoritettu
- Oikeudet
- pilarit
- putki
- Platon
- Platonin tietotieto
- PlatonData
- Kirje
- mahdollinen
- ennustaa
- ennustus
- Ennusteet
- Suositut
- valmis
- edellytys
- esittää
- esitetty
- prosessi
- Profiili
- Ohjelmointi
- toimittaa
- mikäli
- tarjoaa
- raaka
- valmis
- todellinen
- reaaliaikainen
- äskettäinen
- suositeltu
- katso
- alue
- edustaa
- edustaa
- tarvitaan
- vaatimukset
- Esittelymateriaalit
- ne
- johtua
- tulokset
- arviot
- tarkistetaan
- Riski
- Rooli
- Sääntö
- säännöt
- ajaa
- sagemaker
- näyte
- Säästä
- tallennettu
- Asteikko
- pisteet
- Toinen
- Osa
- nähdä
- valittu
- valinta
- vanhempi
- Sarjat
- palvelu
- Palvelut
- setti
- asetus
- settings
- hän
- Näytä
- samankaltainen
- Yksinkertainen
- samanaikaisesti
- So
- ratkaisu
- Ratkaisumme
- erityinen
- Vaihe
- Tila
- Vaihe
- Askeleet
- Levytila
- tallennettu
- vahva
- niin
- Tuetut
- otettava
- vie
- kertoa
- että
- -
- heidän
- sitten
- Nämä
- kolmas
- tätä
- kolmella
- Kautta
- aika
- että
- liian
- työkalut
- toronto
- kohti
- Juna
- koulutettu
- koulutus
- Muuttaa
- laukeaa
- tyyppi
- tyypit
- merkintäsitoumukset
- ladattu
- Ladataan
- käyttää
- käyttölaukku
- käytetty
- käyttötarkoituksiin
- käyttämällä
- validointi
- arvo
- arvot
- muuttuja
- eri
- versio
- versiot
- Näytä
- visio
- käveli
- haluta
- oli
- we
- verkko
- verkkopalvelut
- kun
- joka
- vaikka
- tulee
- with
- työnkulkuja
- työskentely
- Voit
- Sinun
- zephyrnet