में पहिला पद इस तीन-भाग की श्रृंखला में, हमने एक समाधान प्रस्तुत किया है जो दर्शाता है कि आप बंधक हामीदारी उपयोग के मामले के लिए एडब्ल्यूएस एआई और मशीन लर्निंग (एमएल) सेवाओं का उपयोग करके बड़े पैमाने पर दस्तावेज़ में छेड़छाड़ और धोखाधड़ी का पता लगाना कैसे स्वचालित कर सकते हैं।
में दूसरी पोस्ट, हमने बंधक हामीदारी में जाली छवियों का पता लगाने और उजागर करने के लिए एक गहन शिक्षण-आधारित कंप्यूटर विज़न मॉडल विकसित करने के दृष्टिकोण पर चर्चा की।
इस पोस्ट में, हम एमएल मॉडल और व्यवसाय-परिभाषित नियमों का उपयोग करके बंधक दस्तावेज़ धोखाधड़ी का पता लगाने को स्वचालित करने का एक समाधान प्रस्तुत करते हैं अमेज़ॅन फ्रॉड डिटेक्टर.
समाधान अवलोकन
हम धोखाधड़ी वाली गतिविधियों का पता लगाने को स्वचालित करने के लिए अमेज़ॅन फ्रॉड डिटेक्टर का उपयोग करते हैं, जो पूरी तरह से प्रबंधित धोखाधड़ी का पता लगाने वाली सेवा है। सक्रिय रूप से दस्तावेज़ धोखाधड़ी की पहचान करके धोखाधड़ी भविष्यवाणी सटीकता में सुधार करने के उद्देश्य से, अंडरराइटिंग सटीकता में सुधार करते हुए, अमेज़ॅन फ्रॉड डिटेक्टर आपको ऐतिहासिक डेटासेट का उपयोग करके अनुकूलित धोखाधड़ी का पता लगाने वाले मॉडल बनाने में मदद करता है, अंतर्निहित नियम इंजन का उपयोग करके अनुकूलित निर्णय तर्क को कॉन्फ़िगर करता है, और जोखिम निर्णय को व्यवस्थित करता है। एक बटन के क्लिक से कार्यप्रवाह।
निम्नलिखित आरेख एक बंधक दस्तावेज़ धोखाधड़ी का पता लगाने वाली पाइपलाइन में प्रत्येक चरण का प्रतिनिधित्व करता है।
अब हम बंधक दस्तावेज़ धोखाधड़ी का पता लगाने वाली पाइपलाइन के तीसरे घटक को कवर करेंगे। इस घटक को तैनात करने के चरण इस प्रकार हैं:
- पर ऐतिहासिक डेटा अपलोड करें अमेज़न सरल भंडारण सेवा (अमेज़न S3)।
- अपने विकल्प चुनें और मॉडल को प्रशिक्षित करें।
- मॉडल बनाएं।
- मॉडल प्रदर्शन की समीक्षा करें.
- मॉडल तैनात करें।
- एक डिटेक्टर बनाएं.
- मॉडल स्कोर की व्याख्या करने के लिए नियम जोड़ें।
- पूर्वानुमान लगाने के लिए एपीआई तैनात करें।
.. पूर्वापेक्षाएँ
इस समाधान के लिए निम्नलिखित आवश्यक कदम हैं:
- AWS खाते के लिए साइन अप करें.
- ऐसी अनुमतियाँ सेट करें जो आपके AWS खाते को अमेज़न फ्रॉड डिटेक्टर तक पहुँचने की अनुमति देती हैं।
- निम्नलिखित आवश्यकताओं के साथ, धोखाधड़ी डिटेक्टर मॉडल को प्रशिक्षित करने के लिए उपयोग किए जाने वाले ऐतिहासिक धोखाधड़ी डेटा को इकट्ठा करें:
- डेटा सीएसवी प्रारूप में होना चाहिए और उसमें हेडर होना चाहिए।
- दो शीर्षलेख आवश्यक हैं:
EVENT_TIMESTAMP
औरEVENT_LABEL
. - डेटा को सेवा द्वारा समर्थित AWS क्षेत्र में Amazon S3 में रहना चाहिए।
- प्रशिक्षण से पहले डेटा प्रोफ़ाइल चलाने की अत्यधिक अनुशंसा की जाती है (एक का उपयोग करें)। अमेज़ॅन फ्रॉड डिटेक्टर के लिए स्वचालित डेटा प्रोफाइलर).
- कम से कम 3-6 महीने का डेटा उपयोग करने की अनुशंसा की जाती है।
- धोखाधड़ी को परिपक्व होने में समय लगता है; 1-3 महीने पुराना डेटा अनुशंसित है (बहुत ताज़ा नहीं)।
- कुछ NULL और लुप्त मान स्वीकार्य हैं (लेकिन बहुत अधिक होने पर वेरिएबल को अनदेखा कर दिया जाता है, जैसा कि इसमें चर्चा की गई है गुम या ग़लत चर प्रकार).
Amazon S3 पर ऐतिहासिक डेटा अपलोड करें
धोखाधड़ी डिटेक्टर मॉडल को प्रशिक्षित करने के लिए आपके पास कस्टम ऐतिहासिक डेटा फ़ाइलें होने के बाद, एक S3 बकेट बनाएं और डेटा को बकेट में अपलोड करें।
विकल्प चुनें और मॉडल को प्रशिक्षित करें
धोखाधड़ी डिटेक्टर मॉडल के निर्माण और प्रशिक्षण की दिशा में अगला कदम धोखाधड़ी के मूल्यांकन के लिए व्यावसायिक गतिविधि (घटना) को परिभाषित करना है। किसी ईवेंट को परिभाषित करने में आपके डेटासेट में वेरिएबल्स, ईवेंट शुरू करने वाली एक इकाई और ईवेंट को वर्गीकृत करने वाले लेबल सेट करना शामिल है।
दस्तावेज़ धोखाधड़ी का पता लगाने के लिए दस्तावेज़ धोखाधड़ी घटना को परिभाषित करने के लिए निम्नलिखित चरणों को पूरा करें, जो एक नए बंधक आवेदन का संदर्भ देते हुए इकाई आवेदक बंधक द्वारा शुरू किया गया है:
- अमेज़ॅन फ्रॉड डिटेक्टर कंसोल पर, चुनें आयोजन नेविगेशन फलक में
- चुनें बनाएं.
- के अंतर्गत इवेंट प्रकार का विवरण, दर्ज
docfraud
ईवेंट प्रकार के नाम के रूप में और, वैकल्पिक रूप से, ईवेंट का विवरण दर्ज करें। - चुनें इकाई बनाएं.
- पर इकाई बनाएं पृष्ठ, दर्ज करें
applicant_mortgage
इकाई प्रकार के नाम के रूप में और, वैकल्पिक रूप से, इकाई प्रकार का विवरण दर्ज करें। - चुनें इकाई बनाएं.
- के अंतर्गत घटना चरके लिए, चुनें कि इस घटना के चर को कैसे परिभाषित किया जाए, चुनें एक प्रशिक्षण डाटासेट से चर का चयन करें.
- के लिए IAM भूमिका, चुनें IAM भूमिका बनाएँ.
- पर IAM भूमिका बनाएँ पृष्ठ पर, अपने उदाहरण डेटा के साथ S3 बकेट का नाम दर्ज करें और चुनें भूमिका बनाएं.
- के लिए डेटा स्थान, अपने ऐतिहासिक डेटा का पथ दर्ज करें। यह S3 URI पथ है जिसे आपने ऐतिहासिक डेटा अपलोड करने के बाद सहेजा था। पथ के समान है
S3://your-bucket-name/example dataset filename.csv
. - चुनें अपलोड.
वेरिएबल उन डेटा तत्वों का प्रतिनिधित्व करते हैं जिनका उपयोग आप धोखाधड़ी की भविष्यवाणी में करना चाहते हैं। ये वेरिएबल उस इवेंट डेटासेट से लिए जा सकते हैं जिसे आपने अपने मॉडल को प्रशिक्षित करने के लिए तैयार किया था, आपके अमेज़ॅन फ्रॉड डिटेक्टर मॉडल के जोखिम स्कोर आउटपुट से, या यहां से लिया जा सकता है। अमेज़न SageMaker मॉडल। इवेंट डेटासेट से लिए गए वेरिएबल के बारे में अधिक जानकारी के लिए देखें डेटा मॉडल एक्सप्लोरर का उपयोग करके इवेंट डेटासेट आवश्यकताएँ प्राप्त करें.
- के अंतर्गत लेबल - वैकल्पिकके लिए, लेबल, चुनें नए लेबल बनाएं.
- पर लेबल बनाएं पृष्ठ, दर्ज करें
fraud
नाम के रूप में. यह लेबल उस मान से मेल खाता है जो उदाहरण डेटासेट में धोखाधड़ी वाले बंधक एप्लिकेशन का प्रतिनिधित्व करता है। - चुनें लेबल बनाएं.
- नामक दूसरा लेबल बनाएँ
legit
. यह लेबल उस मान से मेल खाता है जो उदाहरण डेटासेट में वैध बंधक एप्लिकेशन का प्रतिनिधित्व करता है। - चुनें ईवेंट प्रकार बनाएँ.
निम्नलिखित स्क्रीनशॉट हमारे ईवेंट प्रकार का विवरण दिखाता है।
निम्नलिखित स्क्रीनशॉट हमारे वेरिएबल दिखाता है।
निम्नलिखित स्क्रीनशॉट हमारे लेबल दिखाता है।
मॉडल बनाएं
ऐतिहासिक डेटा लोड करने और मॉडल को प्रशिक्षित करने के लिए आवश्यक विकल्पों का चयन करने के बाद, मॉडल बनाने के लिए निम्नलिखित चरणों को पूरा करें:
- अमेज़ॅन फ्रॉड डिटेक्टर कंसोल पर, चुनें मॉडल नेविगेशन फलक में
- चुनें मॉडल जोड़ें, और उसके बाद चुनें मॉडल बनाएं.
- पर मॉडल विवरण को परिभाषित करें पृष्ठ, दर्ज करें
mortgage_fraud_detection_model
मॉडल के नाम और मॉडल के वैकल्पिक विवरण के रूप में। - के लिए मॉडल प्रकार, चुनना ऑनलाइन धोखाधड़ी अंतर्दृष्टि मॉडल.
- के लिए इवेंट प्रकार, चुनें
docfraud
. यह वह ईवेंट प्रकार है जिसे आपने पहले बनाया था. - में ऐतिहासिक घटना डेटा अनुभाग, निम्नलिखित जानकारी प्रदान करें:
- के लिए घटना डेटा स्रोत, चुनें संग्रहीत इवेंट डेटा S3 (या AFD) पर अपलोड किया गया.
- के लिए IAM भूमिका, वह भूमिका चुनें जो आपने पहले बनाई थी।
- के लिए प्रशिक्षण डेटा स्थान, अपनी उदाहरण डेटा फ़ाइल में S3 URI पथ दर्ज करें।
- चुनें अगला.
- में मॉडल इनपुट अनुभाग, सभी चेकबॉक्स को चेक किया हुआ छोड़ दें। डिफ़ॉल्ट रूप से, अमेज़ॅन फ्रॉड डिटेक्टर आपके ऐतिहासिक ईवेंट डेटासेट से सभी वेरिएबल्स को मॉडल इनपुट के रूप में उपयोग करता है।
- में लेबल वर्गीकरण अनुभाग, के लिए धोखाधड़ी के लेबल, चुनें
fraud
, जो उस मान से मेल खाता है जो उदाहरण डेटासेट में कपटपूर्ण घटनाओं का प्रतिनिधित्व करता है। - के लिए वैध लेबल, चुनें
legit
, जो उस मान से मेल खाता है जो उदाहरण डेटासेट में वैध घटनाओं का प्रतिनिधित्व करता है। - के लिए लेबल रहित घटनाएँ, डिफ़ॉल्ट चयन रखें बिना लेबल वाली घटनाओं पर ध्यान न दें इस उदाहरण डेटासेट के लिए.
- चुनें अगला.
- अपनी सेटिंग्स की समीक्षा करें, फिर चुनें मॉडल बनाएं और प्रशिक्षित करें.
अमेज़ॅन फ्रॉड डिटेक्टर एक मॉडल बनाता है और मॉडल के एक नए संस्करण को प्रशिक्षित करना शुरू करता है।
पर मॉडल संस्करण पेज, द स्थिति कॉलम मॉडल प्रशिक्षण की स्थिति को दर्शाता है। उदाहरण डेटासेट का उपयोग करने वाले मॉडल प्रशिक्षण को पूरा होने में लगभग 45 मिनट लगते हैं। स्थिति बदल जाती है तैनात करने के लिए तैयार मॉडल प्रशिक्षण पूरा होने के बाद.
मॉडल प्रदर्शन की समीक्षा करें
मॉडल प्रशिक्षण पूरा होने के बाद, अमेज़ॅन फ्रॉड डिटेक्टर आपके 15% डेटा का उपयोग करके मॉडल के प्रदर्शन को मान्य करता है जिसका उपयोग मॉडल को प्रशिक्षित करने के लिए नहीं किया गया था और मॉडल के प्रदर्शन का आकलन करने के लिए स्कोर वितरण चार्ट और भ्रम मैट्रिक्स सहित विभिन्न उपकरण प्रदान करता है।
मॉडल का प्रदर्शन देखने के लिए, निम्नलिखित चरणों को पूरा करें:
- अमेज़ॅन फ्रॉड डिटेक्टर कंसोल पर, चुनें मॉडल नेविगेशन फलक में
- वह मॉडल चुनें जिसे आपने अभी प्रशिक्षित किया है (
sample_fraud_detection_model
), उसके बाद चुनो 1.0. यह आपके मॉडल का बनाया गया अमेज़ॅन फ्रॉड डिटेक्टर संस्करण है। - की समीक्षा करें मॉडल प्रदर्शन इस मॉडल के लिए अमेज़ॅन फ्रॉड डिटेक्टर द्वारा उत्पन्न समग्र स्कोर और अन्य सभी मेट्रिक्स।
मॉडल तैनात करें
जब आपने अपने प्रशिक्षित मॉडल के प्रदर्शन मेट्रिक्स की समीक्षा कर ली है और धोखाधड़ी की भविष्यवाणियां उत्पन्न करने के लिए इसका उपयोग करने के लिए तैयार हैं, तो आप मॉडल को तैनात कर सकते हैं:
- अमेज़ॅन फ्रॉड डिटेक्टर कंसोल पर, चुनें मॉडल नेविगेशन फलक में
- मॉडल चुनें
sample_fraud_detection_model
, और फिर वह विशिष्ट मॉडल संस्करण चुनें जिसे आप तैनात करना चाहते हैं। इस पोस्ट के लिए, चुनें 1.0. - पर मॉडल संस्करण पृष्ठ, पर क्रियाएँ मेनू, चुनें मॉडल संस्करण परिनियोजित करें.
पर मॉडल संस्करण पेज, द स्थिति तैनाती की स्थिति दिखाता है. स्थिति बदल जाती है सक्रिय जब परिनियोजन पूर्ण हो जाए. यह इंगित करता है कि मॉडल संस्करण सक्रिय है और धोखाधड़ी की भविष्यवाणी उत्पन्न करने के लिए उपलब्ध है।
एक डिटेक्टर बनाएं
मॉडल को तैनात करने के बाद, आप इसके लिए एक डिटेक्टर बनाते हैं docfraud
ईवेंट प्रकार और तैनात मॉडल जोड़ें। निम्नलिखित चरणों को पूरा करें:
- अमेज़ॅन फ्रॉड डिटेक्टर कंसोल पर, चुनें डिटेक्टरों नेविगेशन फलक में
- चुनें डिटेक्टर बनाएं.
- पर डिटेक्टर विवरण को परिभाषित करें पृष्ठ, दर्ज करें
fraud_detector
डिटेक्टर के नाम के लिए और, वैकल्पिक रूप से, डिटेक्टर के लिए एक विवरण दर्ज करें, जैसे मेरा नमूना धोखाधड़ी डिटेक्टर। - के लिए घटना प्रकार, चुनें
docfraud
. यह वह इवेंट है जिसे आपने पहले बनाया था. - चुनें अगला.
व्याख्या करने के लिए नियम जोड़ें
अमेज़ॅन फ्रॉड डिटेक्टर मॉडल बनाने के बाद, आप व्यवसाय-संचालित नियमों को परिभाषित करने के लिए अमेज़ॅन फ्रॉड डिटेक्टर कंसोल या एप्लिकेशन प्रोग्रामिंग इंटरफ़ेस (एपीआई) का उपयोग कर सकते हैं (ऐसी स्थितियाँ जो अमेज़ॅन फ्रॉड डिटेक्टर को बताती हैं कि धोखाधड़ी की भविष्यवाणी के लिए मूल्यांकन करते समय मॉडल प्रदर्शन स्कोर की व्याख्या कैसे करें) . बंधक हामीदारी प्रक्रिया के साथ संरेखित करने के लिए, आप संबद्ध जोखिम स्तरों के अनुसार बंधक अनुप्रयोगों को चिह्नित करने और धोखाधड़ी, वैध, या यदि समीक्षा की आवश्यकता है, के रूप में मैप करने के लिए नियम बना सकते हैं।
उदाहरण के लिए, हो सकता है कि आप उच्च धोखाधड़ी जोखिम वाले बंधक आवेदनों को स्वचालित रूप से अस्वीकार करना चाहें, आवश्यक दस्तावेज़ों की छेड़छाड़ की गई छवियों, गायब दस्तावेज़ जैसे भुगतान या आय आवश्यकताओं आदि जैसे मापदंडों पर विचार करें। दूसरी ओर, कुछ अनुप्रयोगों को प्रभावी निर्णय लेने के लिए लूप में एक मानव की आवश्यकता हो सकती है।
अमेज़ॅन फ्रॉड डिटेक्टर मॉडल स्कोर उत्पन्न करने के लिए एकत्रित मूल्य (कच्चे चर के एक सेट को मिलाकर गणना की गई) और कच्चे मूल्य (चर के लिए प्रदान किया गया मूल्य) का उपयोग करता है। मॉडल स्कोर 0-1000 के बीच हो सकता है, जहां 0 कम धोखाधड़ी जोखिम को इंगित करता है और 1000 उच्च धोखाधड़ी जोखिम को इंगित करता है।
संबंधित व्यवसाय-संचालित नियमों को जोड़ने के लिए, निम्नलिखित चरणों को पूरा करें:
- अमेज़ॅन फ्रॉड डिटेक्टर कंसोल पर, चुनें नियम नेविगेशन फलक में
- चुनें नियम जोड़ें.
- में एक नियम परिभाषित करें अनुभाग, नियम नाम के लिए धोखाधड़ी दर्ज करें और, वैकल्पिक रूप से, एक विवरण दर्ज करें।
- के लिए अभिव्यक्ति, अमेज़ॅन फ्रॉड डिटेक्टर सरलीकृत नियम अभिव्यक्ति भाषा का उपयोग करके नियम अभिव्यक्ति दर्ज करें
$docdraud_insightscore >= 900
- के लिए परिणामों, चुनें एक नया परिणाम बनाएँ (परिणाम एक धोखाधड़ी भविष्यवाणी का परिणाम है और यदि मूल्यांकन के दौरान नियम मेल खाता है तो इसे वापस कर दिया जाता है।)
- में एक नया परिणाम बनाएँ अनुभाग, परिणाम नाम और एक वैकल्पिक विवरण के रूप में गिरावट दर्ज करें।
- चुनें परिणाम सहेजें
- चुनें नियम जोड़ें नियम सत्यापन चेकर चलाने के लिए और नियम को बचाने के लिए।
- इसके बनने के बाद, अमेज़ॅन फ्रॉड डिटेक्टर निम्नलिखित बनाता है
high_risk
नियम आपके डिटेक्टर में उपयोग के लिए उपलब्ध है।- नियम का नाम:
fraud
- परिणाम:
decline
- अभिव्यक्ति:
$docdraud_insightscore >= 900
- नियम का नाम:
- चुनें एक और नियम जोड़ें, और फिर चुनें नियम बनाएं नीचे दिए गए अतिरिक्त 2 नियम जोड़ने के लिए टैब:
- बनाओ
low_risk
निम्नलिखित विवरण के साथ नियम:- नियम का नाम:
legit
- परिणाम:
approve
- अभिव्यक्ति:
$docdraud_insightscore <= 500
- नियम का नाम:
- बनाओ
medium_risk
निम्नलिखित विवरण के साथ नियम:- नियम का नाम:
review needed
- परिणाम:
review
- अभिव्यक्ति:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- नियम का नाम:
ये मान इस पोस्ट के लिए उपयोग किए गए उदाहरण हैं। जब आप अपने स्वयं के डिटेक्टर के लिए नियम बनाते हैं, तो उन मानों का उपयोग करें जो आपके मॉडल और उपयोग के मामले के लिए उपयुक्त हों।
- सभी तीन नियम बनाने के बाद, चुनें अगला.
पूर्वानुमान लगाने के लिए एपीआई तैनात करें
नियम-आधारित कार्रवाइयां शुरू होने के बाद, आप ऋण अनुप्रयोगों का मूल्यांकन करने और संभावित धोखाधड़ी की भविष्यवाणी करने के लिए अमेज़ॅन फ्रॉड डिटेक्टर एपीआई तैनात कर सकते हैं। भविष्यवाणियाँ एक बैच या वास्तविक समय में की जा सकती हैं।
अपने सेजमेकर मॉडल को एकीकृत करें (वैकल्पिक)
यदि आपके पास पहले से ही सेजमेकर में धोखाधड़ी का पता लगाने वाला मॉडल है, तो आप इसे अपने पसंदीदा परिणामों के लिए अमेज़ॅन फ्रॉड डिटेक्टर के साथ एकीकृत कर सकते हैं।
इसका तात्पर्य यह है कि आप विभिन्न प्रकार की धोखाधड़ी का पता लगाने के लिए अपने एप्लिकेशन में सेजमेकर और अमेज़ॅन फ्रॉड डिटेक्टर दोनों मॉडल का उपयोग कर सकते हैं। उदाहरण के लिए, आपका एप्लिकेशन ग्राहक खातों के धोखाधड़ी जोखिम का आकलन करने के लिए अमेज़ॅन धोखाधड़ी डिटेक्टर मॉडल का उपयोग कर सकता है, और साथ ही खाता समझौता जोखिम की जांच करने के लिए आपके पेजमेकर मॉडल का उपयोग कर सकता है।
क्लीन अप
भविष्य में किसी भी शुल्क से बचने के लिए, समाधान के लिए बनाए गए संसाधनों को हटा दें, जिनमें निम्नलिखित शामिल हैं:
- S3 बाल्टी
- अमेज़ॅन धोखाधड़ी डिटेक्टर समापन बिंदु
निष्कर्ष
यह पोस्ट आपको बंधक हामीदारी प्रक्रिया में धोखाधड़ी का पता लगाने के लिए एक स्वचालित और अनुकूलित समाधान के बारे में बताएगी। यह समाधान आपको धोखाधड़ी की घटना के समय के करीब धोखाधड़ी के प्रयासों का पता लगाने की अनुमति देता है और हामीदारों को प्रभावी निर्णय लेने की प्रक्रिया में मदद करता है। इसके अतिरिक्त, कार्यान्वयन का लचीलापन आपको विशिष्ट व्यावसायिक आवश्यकताओं के अनुरूप धोखाधड़ी के प्रयासों को वर्गीकृत करने और पकड़ने के लिए व्यवसाय-संचालित नियमों को परिभाषित करने की अनुमति देता है।
संपूर्ण बंधक दस्तावेज़ धोखाधड़ी पहचान समाधान बनाने के बारे में अधिक जानकारी के लिए, देखें भाग 1 और भाग 2 इस श्रृंखला में।
लेखक के बारे में
अनुप रवीन्द्रनाथ वह टोरंटो, कनाडा में स्थित अमेज़ॅन वेब सर्विसेज (एडब्ल्यूएस) में एक वरिष्ठ समाधान वास्तुकार हैं जो वित्तीय सेवा संगठनों के साथ काम करते हैं। वह ग्राहकों को अपने व्यवसाय को बदलने और क्लाउड पर नवाचार करने में मदद करता है।
विन्नी सैनी टोरंटो, कनाडा में स्थित अमेज़ॅन वेब सर्विसेज (एडब्ल्यूएस) में एक वरिष्ठ समाधान वास्तुकार हैं। वह वास्तुशिल्प उत्कृष्टता के मजबूत मूलभूत स्तंभों पर आधारित एआई और एमएल संचालित समाधानों के साथ वित्तीय सेवा ग्राहकों को क्लाउड पर बदलाव में मदद कर रही है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: 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/
- :हैस
- :है
- :नहीं
- :कहाँ
- $यूपी
- 100
- 15% तक
- 7
- 900
- a
- About
- स्वीकार्य
- पहुँच
- अनुसार
- लेखा
- अकौन्टस(लेखा)
- कार्रवाई
- गतिविधियों
- गतिविधि
- जोड़ना
- अतिरिक्त
- इसके अतिरिक्त
- बाद
- AI
- संरेखित करें
- सब
- की अनुमति देता है
- पहले ही
- वीरांगना
- अमेज़ॅन फ्रॉड डिटेक्टर
- अमेज़ॅन वेब सेवा
- अमेज़ॅन वेब सेवा (एडब्ल्यूएस)
- an
- और
- अन्य
- कोई
- एपीआई
- आवेदन
- अनुप्रयोगों
- दृष्टिकोण
- उपयुक्त
- लगभग
- वास्तु
- स्थापत्य
- हैं
- AS
- आकलन
- जुड़े
- At
- प्रयास
- को स्वचालित रूप से
- स्वचालित
- स्वतः
- उपलब्ध
- से बचने
- एडब्ल्यूएस
- आधारित
- BE
- किया गया
- से पहले
- शुरू करना
- नीचे
- के बीच
- के छात्रों
- निर्माण
- इमारत
- में निर्मित
- व्यापार
- व्यवसायों
- लेकिन
- बटन
- by
- परिकलित
- बुलाया
- कर सकते हैं
- कनाडा
- कब्जा
- मामला
- कुछ
- परिवर्तन
- प्रभार
- चार्ट
- चेक
- जाँच
- चुनें
- वर्गीकरण
- वर्गीकृत
- क्लिक करें
- करीब
- बादल
- स्तंभ
- संयोजन
- पूरा
- अंग
- समझौता
- कंप्यूटर
- Computer Vision
- वैचारिक
- स्थितियां
- भ्रम
- पर विचार
- कंसोल
- मेल खाती है
- कवर
- बनाना
- बनाया
- बनाता है
- रिवाज
- ग्राहक
- ग्राहक
- अनुकूलित
- तिथि
- निर्णय
- निर्णय
- निर्णय
- अस्वीकार
- गहरा
- चूक
- परिभाषित
- परिभाषित करने
- दर्शाता
- तैनात
- तैनात
- तैनाती
- विवरण
- विवरण
- पता लगाना
- खोज
- विकसित करना
- आरेख
- विभिन्न
- चर्चा की
- वितरण
- दस्तावेज़
- दस्तावेजों
- संचालित
- दौरान
- से प्रत्येक
- पूर्व
- प्रभावी
- तत्व
- शुरू से अंत तक
- इंजन
- दर्ज
- सत्ता
- मूल्यांकन करें
- का मूल्यांकन
- मूल्यांकन
- कार्यक्रम
- घटनाओं
- उदाहरण
- उदाहरण
- उत्कृष्टता
- अभिव्यक्ति
- पट्टिका
- फ़ाइलें
- वित्तीय
- वित्तीय सेवाओं
- लचीलापन
- निम्नलिखित
- इस प्रकार है
- के लिए
- जाली
- प्रारूप
- मूलभूत
- धोखा
- धोखाधड़ी का पता लगाना
- कपटपूर्ण
- से
- पूरी तरह से
- भविष्य
- उत्पन्न
- उत्पन्न
- हाथ
- है
- he
- हेडर
- मदद
- मदद करता है
- हाई
- हाइलाइट
- अत्यधिक
- ऐतिहासिक
- कैसे
- How To
- http
- HTTPS
- मानव
- पहचान
- if
- छवियों
- कार्यान्वयन
- में सुधार
- में सुधार लाने
- in
- सहित
- आमदनी
- गलत
- इंगित करता है
- करें-
- शुरू
- कुछ नया
- निविष्टियां
- एकीकृत
- इंटरफेस
- शामिल
- IT
- जेपीजी
- केवल
- रखना
- लेबल
- लेबल
- रखी
- भाषा
- सीख रहा हूँ
- कम से कम
- छोड़ना
- वैध
- उधार
- स्तर
- पसंद
- तर्क
- निम्न
- मशीन
- यंत्र अधिगम
- बनाना
- बनाता है
- निर्माण
- कामयाब
- बहुत
- मैच
- मैट्रिक्स
- परिपक्व
- मई..
- मेट्रिक्स
- मिनटों
- लापता
- ML
- आदर्श
- मॉडल
- महीने
- अधिक
- बंधक
- चाहिए
- my
- नाम
- पथ प्रदर्शन
- आवश्यकता
- जरूरत
- की जरूरत है
- नया
- अगला
- अभी
- उद्देश्य
- घटना
- of
- पुराना
- on
- ऑप्शंस
- or
- संगठनों
- अन्य
- हमारी
- परिणाम
- outputs के
- कुल
- अपना
- पृष्ठ
- फलक
- पैरामीटर
- भाग
- पथ
- प्रदर्शन
- प्रदर्शन
- अनुमतियाँ
- खंभे
- पाइपलाइन
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- पद
- संभावित
- भविष्यवाणी करना
- भविष्यवाणी
- भविष्यवाणियों
- वरीय
- तैयार
- शर्त
- वर्तमान
- प्रस्तुत
- प्रक्रिया
- प्रोफाइल
- प्रोग्रामिंग
- प्रदान करना
- बशर्ते
- प्रदान करता है
- कच्चा
- तैयार
- वास्तविक
- वास्तविक समय
- हाल
- की सिफारिश की
- उल्लेख
- क्षेत्र
- प्रतिनिधित्व
- का प्रतिनिधित्व करता है
- अपेक्षित
- आवश्यकताएँ
- उपयुक्त संसाधन चुनें
- कि
- परिणाम
- परिणाम
- की समीक्षा
- समीक्षा
- जोखिम
- भूमिका
- नियम
- नियम
- रन
- sagemaker
- नमूना
- सहेजें
- बचाया
- स्केल
- स्कोर
- दूसरा
- अनुभाग
- देखना
- चयनित
- चयन
- वरिष्ठ
- कई
- सेवा
- सेवाएँ
- सेट
- की स्थापना
- सेटिंग्स
- वह
- दिखाता है
- समान
- सरल
- एक साथ
- So
- समाधान
- समाधान ढूंढे
- विशिष्ट
- ट्रेनिंग
- स्थिति
- कदम
- कदम
- भंडारण
- संग्रहित
- मजबूत
- ऐसा
- समर्थित
- लिया
- लेता है
- कहना
- कि
- RSI
- लेकिन हाल ही
- फिर
- इन
- तीसरा
- इसका
- तीन
- यहाँ
- पहर
- सेवा मेरे
- भी
- उपकरण
- टोरंटो
- की ओर
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- बदालना
- शुरू हो रहा
- टाइप
- प्रकार
- हामीदारी
- अपलोड की गई
- अपलोड हो रहा है
- उपयोग
- उदाहरण
- प्रयुक्त
- का उपयोग करता है
- का उपयोग
- सत्यापन
- मूल्य
- मान
- परिवर्तनशील
- विभिन्न
- संस्करण
- संस्करणों
- देखें
- दृष्टि
- चला
- करना चाहते हैं
- था
- we
- वेब
- वेब सेवाओं
- कब
- कौन कौन से
- जब
- मर्जी
- साथ में
- workflows
- काम कर रहे
- आप
- आपका
- जेफिरनेट