Nel primo post di questa serie in tre parti, abbiamo presentato una soluzione che dimostra come automatizzare il rilevamento di manomissioni e frodi di documenti su larga scala utilizzando i servizi di intelligenza artificiale e machine learning (ML) di AWS per un caso d'uso di sottoscrizione di mutui.
Nel secondo post, abbiamo discusso un approccio per sviluppare un modello di visione artificiale basato sul deep learning per rilevare ed evidenziare immagini contraffatte nella sottoscrizione di mutui.
In questo post presentiamo una soluzione per automatizzare il rilevamento delle frodi sui documenti ipotecari utilizzando un modello ML e regole definite dall'azienda Amazon Fraud Detector.
Panoramica della soluzione
Utilizziamo Amazon Fraud Detector, un servizio di rilevamento delle frodi completamente gestito, per automatizzare il rilevamento di attività fraudolente. Con l'obiettivo di migliorare l'accuratezza della previsione delle frodi identificando in modo proattivo le frodi documentali e migliorando al tempo stesso l'accuratezza della sottoscrizione, Amazon Fraud Detector ti aiuta a creare modelli personalizzati di rilevamento delle frodi utilizzando un set di dati storici, configurare la logica decisionale personalizzata utilizzando il motore di regole integrato e orchestrare le decisioni sui rischi flussi di lavoro con il semplice clic di un pulsante.
Il diagramma seguente rappresenta ciascuna fase della pipeline di rilevamento delle frodi sui documenti ipotecari.
Copriremo ora la terza componente del processo di rilevamento delle frodi sui documenti ipotecari. I passaggi per distribuire questo componente sono i seguenti:
- Carica i dati storici su Servizio di archiviazione semplice Amazon (Amazon S3).
- Seleziona le opzioni e addestra il modello.
- Crea il modello.
- Esaminare le prestazioni del modello.
- Distribuisci il modello.
- Crea un rilevatore.
- Aggiungi regole per interpretare i punteggi del modello.
- Distribuisci l'API per fare previsioni.
Prerequisiti
Di seguito sono riportati i passaggi prerequisiti per questa soluzione:
- Registrati per un account AWS.
- Configura le autorizzazioni che consentono al tuo account AWS di accedere ad Amazon Fraud Detector.
- Raccogliere i dati storici sulle frodi da utilizzare per addestrare il modello di rilevamento delle frodi, con i seguenti requisiti:
- I dati devono essere in formato CSV e avere intestazioni.
- Sono necessarie due intestazioni:
EVENT_TIMESTAMP
edEVENT_LABEL
. - I dati devono risiedere in Amazon S3 in una regione AWS supportata dal servizio.
- Si consiglia vivamente di eseguire un profilo dati prima dell'allenamento (utilizzare un file profilatore di dati automatizzato per Amazon Fraud Detector).
- Si consiglia di utilizzare almeno 3-6 mesi di dati.
- Ci vuole tempo perché la frode maturi; si consigliano dati risalenti a 1-3 mesi fa (non troppo recenti).
- Alcuni NULL e valori mancanti sono accettabili (ma troppi e la variabile viene ignorata, come discusso in Tipo di variabile mancante o errato).
Carica i dati storici su Amazon S3
Dopo aver ottenuto i file di dati storici personalizzati per addestrare un modello di rilevamento delle frodi, crea un bucket S3 e carica i dati nel bucket.
Seleziona le opzioni e addestra il modello
Il passo successivo verso la creazione e l'addestramento di un modello di rilevamento delle frodi consiste nel definire l'attività aziendale (evento) da valutare per la frode. La definizione di un evento implica l'impostazione delle variabili nel set di dati, un'entità che avvia l'evento e le etichette che classificano l'evento.
Completare i seguenti passaggi per definire un evento docfraud per rilevare la frode documentale, avviata dall'entità richiedente mutuo, facendo riferimento a una nuova richiesta di mutuo:
- Sulla console di Amazon Fraud Detector, scegli Eventi nel pannello di navigazione.
- Scegli Creare.
- Sotto Dettagli sul tipo di evento, accedere
docfraud
come nome del tipo di evento e, facoltativamente, inserire una descrizione dell'evento. - Scegli Crea entità.
- Sulla Crea entità pagina, entra
applicant_mortgage
come nome del tipo di entità e, facoltativamente, inserisci una descrizione del tipo di entità. - Scegli Crea entità.
- Sotto Variabili evento, Per Scegli come definire le variabili di questo eventoscegli Seleziona le variabili da un set di dati di addestramento.
- Nel Ruolo IAMscegli Crea ruolo IAM.
- Sulla Crea ruolo IAM pagina, inserisci il nome del bucket S3 con i dati di esempio e scegli Crea ruolo.
- Nel Posizione dei dati, inserisci il percorso dei tuoi dati storici. Questo è il percorso URI S3 che hai salvato dopo aver caricato i dati storici. Il percorso è simile a
S3://your-bucket-name/example dataset filename.csv
. - Scegli Caricare.
Le variabili rappresentano gli elementi di dati che desideri utilizzare in una previsione di frode. Queste variabili possono essere ricavate dal set di dati degli eventi preparato per l'addestramento del modello, dagli output del punteggio di rischio del modello Amazon Fraud Detector o da Amazon Sage Maker Modelli. Per ulteriori informazioni sulle variabili prese dal set di dati dell'evento, vedere Ottieni i requisiti del set di dati degli eventi utilizzando l'Explorer modelli di dati.
- Sotto Etichette – facoltative, Per per il tuo brandscegli Crea nuove etichette.
- Sulla Crea etichetta pagina, entra
fraud
come il nome. Questa etichetta corrisponde al valore che rappresenta la richiesta di mutuo fraudolenta nel set di dati di esempio. - Scegli Crea etichetta.
- Crea una seconda etichetta chiamata
legit
. Questa etichetta corrisponde al valore che rappresenta la legittima richiesta di mutuo nel set di dati di esempio. - Scegli Crea tipo di evento.
Lo screenshot seguente mostra i dettagli del nostro tipo di evento.
Lo screenshot seguente mostra le nostre variabili.
Lo screenshot seguente mostra le nostre etichette.
Crea il modello
Dopo aver caricato i dati storici e selezionato le opzioni richieste per addestrare un modello, completare i seguenti passaggi per creare un modello:
- Sulla console di Amazon Fraud Detector, scegli Modelli nel pannello di navigazione.
- Scegli Aggiungi modelloe quindi scegliere Crea modello.
- Sulla Definisci i dettagli del modello pagina, entra
mortgage_fraud_detection_model
come nome del modello e una descrizione facoltativa del modello. - Nel Tipo di modello, scegli il Approfondimenti sulle frodi online modello.
- Nel Tipo di eventoscegli
docfraud
. Questo è il tipo di evento creato in precedenza. - Nel Dati storici sugli eventi sezione, fornire le seguenti informazioni:
- Nel Origine dati eventoscegli Dati degli eventi memorizzati caricati su S3 (o AFD).
- Nel Ruolo IAM, scegli il ruolo che hai creato in precedenza.
- Nel Posizione dei dati di allenamento, inserisci il percorso URI S3 del file di dati di esempio.
- Scegli Avanti.
- Nel Ingressi modello sezione, lasciare selezionate tutte le caselle di controllo. Per impostazione predefinita, Amazon Fraud Detector utilizza tutte le variabili del set di dati degli eventi storici come input del modello.
- Nel Classificazione delle etichette sezione, per Etichette di frodescegli
fraud
, che corrisponde al valore che rappresenta gli eventi fraudolenti nel set di dati di esempio. - Nel Etichette legittimescegli
legit
, che corrisponde al valore che rappresenta eventi legittimi nel set di dati di esempio. - Nel Eventi senza etichetta, mantieni la selezione predefinita Ignora gli eventi senza etichetta per questo set di dati di esempio.
- Scegli Avanti.
- Rivedi le tue impostazioni, quindi scegli Crea e addestra il modello.
Amazon Fraud Detector crea un modello e inizia ad addestrare una nuova versione del modello.
Sulla Versioni del modello pagina, il Stato dei servizi la colonna indica lo stato dell'addestramento del modello. Il completamento del training del modello che utilizza il set di dati di esempio richiede circa 45 minuti. Lo stato cambia in Pronto per la distribuzione una volta completato l'addestramento del modello.
Esaminare le prestazioni del modello
Una volta completato l'addestramento del modello, Amazon Fraud Detector convalida le prestazioni del modello utilizzando il 15% dei dati che non sono stati utilizzati per addestrare il modello e fornisce vari strumenti, tra cui un grafico di distribuzione del punteggio e una matrice di confusione, per valutare le prestazioni del modello.
Per visualizzare le prestazioni del modello, completare i seguenti passaggi:
- Sulla console di Amazon Fraud Detector, scegli Modelli nel pannello di navigazione.
- Scegli il modello che hai appena addestrato (
sample_fraud_detection_model
), quindi scegliere 1.0. Questa è la versione creata da Amazon Fraud Detector del tuo modello. - Consulta gli Performance del modello punteggio complessivo e tutti gli altri parametri generati da Amazon Fraud Detector per questo modello.
Distribuire il modello
Dopo aver esaminato le metriche prestazionali del modello addestrato e essere pronto per utilizzarlo per generare previsioni sulle frodi, puoi distribuire il modello:
- Sulla console di Amazon Fraud Detector, scegli Modelli nel pannello di navigazione.
- Scegli il modello
sample_fraud_detection_model
, quindi scegli la versione del modello specifico che desideri distribuire. Per questo post, scegli 1.0. - Sulla Versione modello pagina, nella Azioni menù, scegliere Distribuire la versione del modello.
Sulla Versioni del modello pagina, il Stato dei servizi mostra lo stato della distribuzione. Lo stato cambia in Attivo una volta completata la distribuzione. Ciò indica che la versione del modello è attivata e disponibile per generare previsioni di frode.
Crea un rilevatore
Dopo aver distribuito il modello, costruisci un rilevatore per il docfraud
tipo di evento e aggiungere il modello distribuito. Completa i seguenti passaggi:
- Sulla console di Amazon Fraud Detector, scegli Rilevatori nel pannello di navigazione.
- Scegli Crea rilevatore.
- Sulla Definire i dettagli del rilevatore pagina, entra
fraud_detector
per il nome del rilevatore e, facoltativamente, inserisci una descrizione per il rilevatore, ad esempio il mio rilevatore di frodi campione. - Nel Tipo di eventoscegli
docfraud
. Questo è l'evento che hai creato in precedenza. - Scegli Avanti.
Aggiungi regole da interpretare
Dopo aver creato il modello Amazon Fraud Detector, puoi utilizzare la console Amazon Fraud Detector o l'interfaccia di programmazione dell'applicazione (API) per definire regole guidate dal business (condizioni che indicano ad Amazon Fraud Detector come interpretare il punteggio prestazionale del modello durante la valutazione della previsione delle frodi) . Per allinearti al processo di sottoscrizione del mutuo, puoi creare regole per contrassegnare le richieste di mutuo in base ai livelli di rischio associati e mapparle come frode, legittime o se è necessaria una revisione.
Ad esempio, potresti voler rifiutare automaticamente le richieste di mutuo ad alto rischio di frode, considerando parametri come immagini manomesse dei documenti richiesti, documenti mancanti come buste paga o requisiti di reddito e così via. D'altra parte, alcune applicazioni potrebbero richiedere la presenza di un essere umano nel circuito per prendere decisioni efficaci.
Amazon Fraud Detector utilizza il valore aggregato (calcolato combinando un insieme di variabili grezze) e il valore grezzo (il valore fornito per la variabile) per generare i punteggi del modello. I punteggi del modello possono essere compresi tra 0 e 1000, dove 0 indica un basso rischio di frode e 1000 indica un rischio di frode elevato.
Per aggiungere le rispettive regole aziendali, completare i seguenti passaggi:
- Sulla console di Amazon Fraud Detector, scegli Regole nel pannello di navigazione.
- Scegli Aggiungi regola.
- Nel Definire una regola sezione, inserisci frode come nome della regola e, facoltativamente, inserisci una descrizione.
- Nel Espressione, immettere l'espressione della regola utilizzando il linguaggio semplificato per l'espressione delle regole di Amazon Fraud Detector
$docdraud_insightscore >= 900
- Nel Risultatiscegli Crea un nuovo risultato (Un risultato è il risultato di una previsione di frode e viene restituito se la regola corrisponde durante una valutazione.)
- Nel Crea un nuovo risultato sezione, inserisci declino come nome del risultato e una descrizione facoltativa.
- Scegli Salva risultato
- Scegli Aggiungi regola per eseguire il controllo di convalida delle regole e salvare la regola.
- Dopo la creazione, Amazon Fraud Detector effettua quanto segue
high_risk
regola disponibile per l'uso nel rilevatore.- Nome della regola:
fraud
- Risultato:
decline
- Espressione:
$docdraud_insightscore >= 900
- Nome della regola:
- Scegli Aggiungi un'altra regola, quindi scegli il file Crea regola scheda per aggiungere ulteriori 2 regole come di seguito:
- Creare un
low_risk
regola con i seguenti dettagli:- Nome della regola:
legit
- Risultato:
approve
- Espressione:
$docdraud_insightscore <= 500
- Nome della regola:
- Creare un
medium_risk
regola con i seguenti dettagli:- Nome della regola:
review needed
- Risultato:
review
- Espressione:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- Nome della regola:
Questi valori sono esempi utilizzati per questo post. Quando crei regole per il tuo rilevatore, utilizza valori appropriati per il tuo modello e caso d'uso.
- Dopo aver creato tutte e tre le regole, scegli Avanti.
Distribuisci l'API per fare previsioni
Dopo che le azioni basate su regole sono state attivate, puoi distribuire un'API Amazon Fraud Detector per valutare le richieste di prestito e prevedere potenziali frodi. Le previsioni possono essere eseguite in batch o in tempo reale.
Integra il tuo modello SageMaker (facoltativo)
Se disponi già di un modello di rilevamento delle frodi in SageMaker, puoi integrarlo con Amazon Fraud Detector per ottenere i risultati che preferisci.
Ciò implica che puoi utilizzare entrambi i modelli SageMaker e Amazon Fraud Detector nella tua applicazione per rilevare diversi tipi di frode. Ad esempio, la tua applicazione può utilizzare il modello Amazon Fraud Detector per valutare il rischio di frode degli account dei clienti e contemporaneamente utilizzare il modello PageMaker per verificare il rischio di compromissione dell'account.
ripulire
Per evitare di incorrere in addebiti futuri, eliminare le risorse create per la soluzione, incluse le seguenti:
- Benna S3
- Endpoint Amazon Fraud Detector
Conclusione
Questo post ti ha illustrato una soluzione automatizzata e personalizzata per rilevare le frodi nel processo di sottoscrizione dei mutui. Questa soluzione consente di rilevare i tentativi fraudolenti più vicino al momento in cui si verifica la frode e aiuta gli assicuratori con un processo decisionale efficace. Inoltre, la flessibilità dell'implementazione consente di definire regole guidate dal business per classificare e catturare i tentativi fraudolenti personalizzati in base alle specifiche esigenze aziendali.
Per ulteriori informazioni sulla creazione di una soluzione end-to-end per il rilevamento delle frodi sui documenti ipotecari, fare riferimento a Parte 1 ed Parte 2 in questa serie.
Circa gli autori
Anup Ravindranath è un Senior Solutions Architect presso Amazon Web Services (AWS) con sede a Toronto, in Canada, che lavora con organizzazioni di servizi finanziari. Aiuta i clienti a trasformare le loro attività e a innovare sul cloud.
Vinnie Saini è Senior Solutions Architect presso Amazon Web Services (AWS) con sede a Toronto, in Canada. Ha aiutato i clienti dei servizi finanziari a trasformarsi nel cloud, con soluzioni basate su AI e ML basate su solidi pilastri fondamentali dell'eccellenza architettonica.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: 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/
- :ha
- :È
- :non
- :Dove
- $ SU
- 100
- 15%
- 7
- 900
- a
- WRI
- accettabile
- accesso
- Secondo
- Il mio account
- conti
- azioni
- attività
- attività
- aggiungere
- aggiuntivo
- Inoltre
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- allineare
- Tutti
- consente
- già
- Amazon
- Amazon Fraud Detector
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- ed
- Un altro
- in qualsiasi
- api
- Applicazioni
- applicazioni
- approccio
- opportuno
- circa
- architettonico
- architettura
- SONO
- AS
- valutare
- associato
- At
- Tentativi
- automatizzare
- Automatizzata
- automaticamente
- disponibile
- evitare
- AWS
- basato
- BE
- stato
- prima
- inizia
- sotto
- fra
- entrambi
- costruire
- Costruzione
- incassato
- affari
- aziende
- ma
- pulsante
- by
- calcolato
- detto
- Materiale
- Canada
- catturare
- Custodie
- certo
- Modifiche
- oneri
- Grafico
- dai un'occhiata
- controllato
- Scegli
- classificazione
- classificare
- clicca
- più vicino
- Cloud
- Colonna
- combinando
- completamento di una
- componente
- compromesso
- computer
- Visione computerizzata
- concettuale
- condizioni
- confusione
- considerando
- consolle
- corrisponde
- copertura
- creare
- creato
- crea
- costume
- cliente
- Clienti
- personalizzate
- dati
- decisione
- Decision Making
- decisioni
- Rifiuta
- deep
- Predefinito
- definire
- definizione
- dimostra
- schierare
- schierato
- deployment
- descrizione
- dettagli
- individuare
- rivelazione
- sviluppare
- diagramma
- diverso
- discusso
- distribuzione
- documento
- documenti
- spinto
- durante
- ogni
- In precedenza
- Efficace
- elementi
- da un capo all'altro
- motore
- entrare
- entità
- valutare
- la valutazione
- valutazione
- Evento
- eventi
- esempio
- Esempi
- Eccellenza
- espressione
- Compila il
- File
- finanziario
- servizi finanziari
- Flessibilità
- i seguenti
- segue
- Nel
- forgiato
- formato
- fondamentale
- frode
- rilevazione di frodi
- fraudolenti
- da
- completamente
- futuro
- generare
- generato
- cura
- Avere
- he
- intestazioni
- aiutare
- aiuta
- Alta
- Highlight
- vivamente
- storico
- Come
- Tutorial
- http
- HTTPS
- umano
- identificazione
- if
- immagini
- implementazione
- competenze
- miglioramento
- in
- Compreso
- Reddito
- scorretto
- indica
- informazioni
- avviato
- innovare
- Ingressi
- integrare
- Interfaccia
- comporta
- IT
- jpg
- ad appena
- mantenere
- Discografica
- per il tuo brand
- laid
- Lingua
- apprendimento
- meno
- Lasciare
- legittimo
- prestito
- livelli
- piace
- logica
- Basso
- macchina
- machine learning
- make
- FA
- Fare
- gestito
- molti
- fiammiferi
- Matrice
- alunni
- Maggio..
- Metrica
- Minuti
- mancante
- ML
- modello
- modelli
- mese
- Scopri di più
- Mutuo
- devono obbligatoriamente:
- my
- Nome
- Navigazione
- Bisogno
- di applicazione
- esigenze
- New
- GENERAZIONE
- adesso
- obiettivo
- evento
- of
- Vecchio
- on
- Opzioni
- or
- organizzazioni
- Altro
- nostro
- Risultato
- uscite
- complessivo
- proprio
- pagina
- vetro
- parametri
- parte
- sentiero
- performance
- eseguita
- permessi
- pilastri
- conduttura
- Platone
- Platone Data Intelligence
- PlatoneDati
- Post
- potenziale
- predire
- predizione
- Previsioni
- preferito
- preparato
- necessario
- presenti
- presentata
- processi
- Profilo
- Programmazione
- fornire
- purché
- fornisce
- Crudo
- pronto
- di rose
- tempo reale
- recente
- raccomandato
- riferimento
- regione
- rappresentare
- rappresenta
- necessario
- Requisiti
- Risorse
- quelli
- colpevole
- Risultati
- recensioni
- rivisto
- Rischio
- Ruolo
- Regola
- norme
- Correre
- sagemaker
- campione
- Risparmi
- salvato
- Scala
- Punto
- Secondo
- Sezione
- vedere
- selezionato
- prodotti
- anziano
- Serie
- servizio
- Servizi
- set
- regolazione
- impostazioni
- lei
- Spettacoli
- simile
- Un'espansione
- contemporaneamente
- So
- soluzione
- Soluzioni
- specifico
- Stage
- Stato dei servizi
- step
- Passi
- conservazione
- memorizzati
- forte
- tale
- supportato
- preso
- prende
- dire
- che
- Il
- loro
- poi
- Strumenti Bowman per analizzare le seguenti finiture:
- Terza
- questo
- tre
- Attraverso
- tempo
- a
- pure
- strumenti
- toronto
- verso
- Treni
- allenato
- Training
- Trasformare
- innescato
- Digitare
- Tipi di
- sottoscrizione
- caricato
- Caricamento
- uso
- caso d'uso
- utilizzato
- usa
- utilizzando
- convalida
- APPREZZIAMO
- Valori
- variabile
- vario
- versione
- versioni
- Visualizza
- visione
- camminava
- volere
- Prima
- we
- sito web
- servizi web
- quando
- quale
- while
- volere
- con
- flussi di lavoro
- lavoro
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro