ב פוסט ראשון מתוך סדרה זו בת שלושה חלקים, הצגנו פתרון המדגים כיצד ניתן לבצע אוטומציה של זיהוי שיבוש מסמכים והונאות בקנה מידה גדול באמצעות שירותי AWS AI ו-Machine Learning (ML) למקרה שימוש בחיתום משכנתא.
ב פוסט שני, דנו בגישה לפיתוח מודל ראייה ממוחשבת מבוסס למידה עמוקה כדי לזהות ולהדגיש תמונות מזויפות בחיתום משכנתאות.
בפוסט זה, אנו מציגים פתרון לאוטומטי של זיהוי הונאות מסמכי משכנתא באמצעות מודל ML וכללים מוגדרים עסקיים עם גלאי הונאות של אמזון.
סקירת פתרונות
אנו משתמשים ב-Amazon Fraud Detector, שירות זיהוי הונאה מנוהל במלואו, כדי להפוך את הזיהוי של פעילויות הונאה לאוטומטיות. במטרה לשפר את דיוק חיזוי ההונאות על ידי זיהוי יזום של הונאות מסמכים, תוך שיפור דיוק החיתום, Amazon Fraud Detector עוזר לך לבנות מודלים מותאמים אישית לגילוי הונאה באמצעות מערך נתונים היסטורי, להגדיר לוגיקה מותאמת אישית של החלטות באמצעות מנוע הכללים המובנה, ולתזמר החלטות סיכון. זרימות עבודה בלחיצת כפתור.
התרשים הבא מייצג כל שלב בצנרת גילוי הונאה של מסמכי משכנתא.
כעת נסקור את המרכיב השלישי של צינור גילוי הונאות במסמכי משכנתא. השלבים לפריסת רכיב זה הם כדלקמן:
- העלה נתונים היסטוריים אל שירות אחסון פשוט של אמזון (אמזון S3).
- בחר את האפשרויות שלך והכשיר את הדגם.
- צור את המודל.
- סקור את ביצועי הדגם.
- פרוס את הדגם.
- צור גלאי.
- הוסף כללים כדי לפרש את ציוני המודל.
- פרוס את ה-API לביצוע תחזיות.
תנאים מוקדמים
להלן שלבים מוקדמים לפתרון זה:
- הירשם לחשבון AWS.
- הגדר הרשאות המאפשרות לחשבון AWS שלך לגשת ל-Amazon Fraud Detector.
- אסוף את נתוני ההונאה ההיסטוריים שישמשו להכשרת מודל גלאי ההונאה, עם הדרישות הבאות:
- הנתונים חייבים להיות בפורמט CSV ולהכיל כותרות.
- נדרשות שתי כותרות:
EVENT_TIMESTAMP
וEVENT_LABEL
. - הנתונים חייבים להיות ב-Amazon S3 באזור AWS הנתמך על ידי השירות.
- מומלץ מאוד להפעיל פרופיל נתונים לפני האימון (השתמש ב- פרופיל נתונים אוטומטי עבור Amazon Fraud Detector).
- מומלץ להשתמש בנתונים של לפחות 3-6 חודשים.
- לוקח זמן להונאה להבשיל; מומלץ נתונים בני 1-3 חודשים (לא עדכניים מדי).
- כמה NULLs וערכים חסרים מקובלים (אך רבים מדי והמשתנה מתעלם, כפי שנדון ב סוג משתנה חסר או שגוי).
העלה נתונים היסטוריים לאמזון S3
לאחר שיש לך את קבצי הנתונים ההיסטוריים המותאמים אישית לאימון מודל של גלאי הונאה, צור דלי S3 והעלה את הנתונים לדלי.
בחר אפשרויות והכשרת את הדגם
השלב הבא לקראת בנייה והכשרת מודל לגלאי הונאה הוא הגדרת הפעילות העסקית (האירוע) שיש להעריך את ההונאה. הגדרת אירוע כרוכה בהגדרת המשתנים במערך הנתונים שלך, ישות שיוזמת את האירוע והתוויות המסווגות את האירוע.
השלם את השלבים הבאים כדי להגדיר אירוע docfraud לאיתור הונאת מסמכים, אשר יוזמת על ידי הישות המבקשת משכנתא, בהתייחס לבקשת משכנתא חדשה:
- במסוף גלאי ההונאה של אמזון בחר אירועים בחלונית הניווט.
- בחרו צור.
- תַחַת פרטי סוג האירוע, להיכנס
docfraud
כשם סוג האירוע, ולחלופין, הזן תיאור של האירוע. - בחרו צור ישות.
- על צור ישות עמוד, הזן
applicant_mortgage
כשם סוג הישות, ולחלופין, הזן תיאור של סוג הישות. - בחרו צור ישות.
- תַחַת משתני אירועים, עבור בחר כיצד להגדיר את המשתנים של אירוע זה, בחר בחר משתנים ממערך האימונים.
- בעד תפקיד IAM, בחר צור תפקיד IAM.
- על צור תפקיד IAM עמוד, הזן את השם של דלי S3 עם נתוני הדוגמה שלך ובחר צור תפקיד.
- בעד מיקום נתונים, הזן את הנתיב לנתונים ההיסטוריים שלך. זהו נתיב URI S3 ששמרת לאחר העלאת הנתונים ההיסטוריים. הדרך דומה ל
S3://your-bucket-name/example dataset filename.csv
. - בחרו העלה.
משתנים מייצגים רכיבי נתונים שבהם ברצונך להשתמש בחיזוי הונאה. ניתן לקחת משתנים אלו ממערך הנתונים של האירועים שהכנתם לאימון המודל שלכם, מתפוקות ציון הסיכון של Amazon Fraud Detector שלכם, או מ- אמזון SageMaker דגמים. למידע נוסף על משתנים שנלקחו ממערך הנתונים של האירועים, ראה קבל דרישות למערך נתונים של אירועים באמצעות סייר מודל הנתונים.
- תַחַת תוויות - אופציונלי, עבור תוויות, בחר צור תוויות חדשות.
- על צור תווית עמוד, הזן
fraud
בתור השם. תווית זו מתאימה לערך המייצג את בקשת המשכנתא המרמה במערך הנתונים לדוגמה. - בחרו צור תווית.
- צור תווית שנייה בשם
legit
. תווית זו מתאימה לערך המייצג את בקשת המשכנתא הלגיטימית במערך הנתונים לדוגמה. - בחרו צור סוג אירוע.
צילום המסך הבא מציג את פרטי סוג האירוע שלנו.
צילום המסך הבא מציג את המשתנים שלנו.
צילום המסך הבא מציג את התוויות שלנו.
צור את הדגם
לאחר שטענת את הנתונים ההיסטוריים ובחרת את האפשרויות הנדרשות להכשרת מודל, השלם את השלבים הבאים ליצירת מודל:
- במסוף גלאי ההונאה של אמזון בחר מודלים בחלונית הניווט.
- בחרו הוסף דגם, ולאחר מכן לבחור צור מודל.
- על הגדר את פרטי המודל עמוד, הזן
mortgage_fraud_detection_model
כשם הדגם ותיאור אופציונלי של הדגם. - בעד סוג דגם, בחר את תובנות הונאה מקוונות מודל.
- בעד סוג אירוע, בחר
docfraud
. זהו סוג האירוע שיצרת קודם לכן. - ב נתוני אירועים היסטוריים סעיף, ספק את המידע הבא:
- בעד מקור נתוני אירועים, בחר נתוני אירועים מאוחסנים הועלו ל-S3 (או AFD).
- בעד תפקיד IAM, בחר את התפקיד שיצרת קודם לכן.
- בעד מיקום נתוני הדרכה, הזן את נתיב URI S3 לקובץ הנתונים לדוגמה שלך.
- בחרו הַבָּא.
- ב כניסות מודל סעיף, השאר את כל תיבות הסימון מסומנות. כברירת מחדל, Amazon Fraud Detector משתמש בכל המשתנים ממערך הנתונים ההיסטורי של האירועים שלך כקלט מודל.
- ב סיווג תווית קטע, עבור תוויות הונאה, בחר
fraud
, המתאים לערך המייצג אירועי הונאה במערך הנתונים לדוגמה. - בעד תוויות לגיטימיות, בחר
legit
, המתאים לערך המייצג אירועים לגיטימיים במערך הנתונים לדוגמה. - בעד אירועים ללא תווית, שמור על בחירת ברירת המחדל התעלם מאירועים ללא תווית עבור מערך הנתונים לדוגמה הזה.
- בחרו הַבָּא.
- עיין בהגדרות שלך ולאחר מכן בחר צור והכשיר מודל.
Amazon Fraud Detector יוצר מודל ומתחיל להכשיר גרסה חדשה של הדגם.
על גרסאות דגם דף, מצב העמודה מציינת את מצב הכשרת המודל. אימון מודל המשתמש במערך הנתונים לדוגמה נמשך כ-45 דקות. הסטטוס משתנה ל מוכן לפריסה לאחר השלמת הכשרת המודל.
סקור את ביצועי הדגם
לאחר השלמת הכשרת המודל, Amazon Fraud Detector מאמת את ביצועי המודל באמצעות 15% מהנתונים שלך שלא שימשו לאימון המודל ומספק כלים שונים, כולל טבלת חלוקת ציונים ומטריצת בלבול, להערכת ביצועי המודל.
כדי לראות את ביצועי הדגם, בצע את השלבים הבאים:
- במסוף גלאי ההונאה של אמזון בחר מודלים בחלונית הניווט.
- בחר את הדגם שזה עתה אימנת (
sample_fraud_detection_model
), אז תבחר 1.0. זוהי הגרסה של Amazon Fraud Detector שנוצרה מהדגם שלך. - סקור ביצועי דגם הציון הכללי וכל שאר המדדים שגלאי ההונאה של אמזון יצר עבור המודל הזה.
פרוס את הדגם
לאחר שבדקת את מדדי הביצועים של המודל המאומן שלך ואתה מוכן להשתמש בו, תיצור תחזיות הונאה, תוכל לפרוס את המודל:
- במסוף גלאי ההונאה של אמזון בחר מודלים בחלונית הניווט.
- בחר את הדגם
sample_fraud_detection_model
, ולאחר מכן בחר את גרסת הדגם הספציפית שברצונך לפרוס. עבור פוסט זה, בחר 1.0. - על גרסת הדגם דף, על פעולות בתפריט, בחר פרוס גרסת דגם.
על גרסאות דגם דף, מצב מציג את מצב הפריסה. הסטטוס משתנה ל Active כאשר הפריסה תושלם. זה מצביע על כך שגרסת הדגם מופעלת וזמינה ליצירת תחזיות הונאה.
צור גלאי
לאחר פריסת המודל, אתה בונה גלאי עבור docfraud
סוג האירוע והוסף את המודל שנפרס. השלם את השלבים הבאים:
- במסוף גלאי ההונאה של אמזון בחר גלאים בחלונית הניווט.
- בחרו צור גלאי.
- על הגדר פרטי גלאי עמוד, הזן
fraud_detector
עבור שם הגלאי, ולחלופין, הזן תיאור עבור הגלאי, כגון גלאי ההונאה לדוגמה שלי. - בעד סוג אירוע, בחר
docfraud
. זה האירוע שיצרת קודם לכן. - בחרו הַבָּא.
הוסף כללים לפירוש
לאחר שיצרת את המודל של Amazon Fraud Detector, תוכל להשתמש בקונסולת Amazon Fraud Detector או בממשק תכנות יישומים (API) כדי להגדיר כללים מונעים עסקיים (תנאים שאומרים ל-Amazon Fraud Detector כיצד לפרש את ציון ביצועי המודל בעת הערכה של חיזוי הונאה) . כדי ליישר קו עם תהליך חיתום המשכנתא, תוכל ליצור כללים לסימון בקשות משכנתא בהתאם לרמות הסיכון הקשורות וממופות כהונאה, לגיטימית, או אם יש צורך בבדיקה.
לדוגמה, ייתכן שתרצה לדחות אוטומטית בקשות למשכנתא עם סיכון גבוה להונאה, תוך התחשבות בפרמטרים כמו תמונות משובשות של המסמכים הנדרשים, מסמכים חסרים כמו תלושי שכר או דרישות הכנסה, וכן הלאה. מצד שני, יישומים מסוימים עשויים להזדקק לאדם במעגל לקבלת החלטות אפקטיביות.
Amazon Fraud Detector משתמש בערך המצטבר (מחושב על ידי שילוב של קבוצה של משתנים גולמיים) ובערך הגולמי (הערך המסופק עבור המשתנה) כדי ליצור את ציוני המודל. ציוני המודל יכולים להיות בין 0-1000, כאשר 0 מציין סיכון נמוך להונאה ו-1000 מציין סיכון גבוה להונאה.
כדי להוסיף את הכללים העסקיים המתאימים, בצע את השלבים הבאים:
- במסוף גלאי ההונאה של אמזון בחר חוקי בחלונית הניווט.
- בחרו הוסף כלל.
- ב הגדר כלל בקטע, הזן הונאה עבור שם הכלל, ובאופן אופציונלי, הזן תיאור.
- בעד ביטוי, הזן את ביטוי הכלל באמצעות שפת ביטוי הכלל הפשוטה של Amazon Fraud Detector
$docdraud_insightscore >= 900
- בעד תוצאות, בחר צור תוצאה חדשה (תוצאה היא תוצאה של חיזוי הונאה ומוחזרת אם הכלל תואם במהלך הערכה).
- ב צור תוצאה חדשה בקטע, הזן דחייה כשם התוצאה ותיאור אופציונלי.
- בחרו שמור את התוצאה
- בחרו הוסף כלל כדי להפעיל את בודק אימות הכללים ולשמור את הכלל.
- לאחר יצירתו, Amazon Fraud Detector מייצר את הדברים הבאים
high_risk
כלל זמין לשימוש בגלאי שלך.- שם החוק:
fraud
- תוֹצָאָה:
decline
- ביטוי:
$docdraud_insightscore >= 900
- שם החוק:
- בחרו הוסף כלל נוסף, ולאחר מכן בחר את צור כלל לשונית כדי להוסיף 2 כללים נוספים כמפורט להלן:
- צור
low_risk
כלל עם הפרטים הבאים:- שם החוק:
legit
- תוֹצָאָה:
approve
- ביטוי:
$docdraud_insightscore <= 500
- שם החוק:
- צור
medium_risk
כלל עם הפרטים הבאים:- שם החוק:
review needed
- תוֹצָאָה:
review
- ביטוי:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- שם החוק:
ערכים אלה הם דוגמאות המשמשות לפוסט זה. כאשר אתה יוצר כללים עבור הגלאי שלך, השתמש בערכים המתאימים לדגם ולמקרה השימוש שלך.
- לאחר שיצרת את כל שלושת הכללים, בחר הַבָּא.
פרוס את ה-API לביצוע תחזיות
לאחר הפעלת הפעולות מבוססות הכללים, אתה יכול לפרוס ממשק API של Amazon Fraud Detector כדי להעריך את יישומי ההלוואות ולחזות הונאה אפשרית. ניתן לבצע את התחזיות באצווה או בזמן אמת.
שלב את דגם SageMaker שלך (אופציונלי)
אם כבר יש לך מודל לגילוי הונאה ב- SageMaker, אתה יכול לשלב אותו עם Amazon Fraud Detector לקבלת התוצאות המועדפות עליך.
זה מרמז שאתה יכול להשתמש במודלים של SageMaker ו- Amazon Fraud Detector ביישום שלך כדי לזהות סוגים שונים של הונאה. לדוגמה, האפליקציה שלך יכולה להשתמש במודל של Amazon Fraud Detector כדי להעריך את סיכון ההונאה של חשבונות לקוחות, ובמקביל להשתמש במודל ה-PageMaker שלך כדי לבדוק אם יש סיכון לפגיעה בחשבון.
לנקות את
כדי להימנע מחיובים עתידיים כלשהם, מחק את המשאבים שנוצרו עבור הפתרון, כולל המשאבים הבאים:
- דלי S3
- נקודת קצה של גלאי הונאה של אמזון
סיכום
פוסט זה הוביל אותך דרך פתרון אוטומטי ומותאם אישית לאיתור הונאה בתהליך חיתום המשכנתא. פתרון זה מאפשר לזהות ניסיונות הונאה קרוב יותר למועד התרחשות ההונאה ומסייע לחתמים בתהליך קבלת החלטות יעיל. בנוסף, הגמישות של היישום מאפשרת לך להגדיר כללים מונעים עסקיים כדי לסווג וללכוד את ניסיונות ההונאה המותאמים אישית לצרכים עסקיים ספציפיים.
למידע נוסף על בניית פתרון לגילוי הונאה במסמכי משכנתא מקצה לקצה, עיין ב חלק 1 ו חלק 2 בסדרה זו.
על המחברים
אנופ רבינדרנאת הוא ארכיטקט פתרונות בכיר בחברת Amazon Web Services (AWS) שבסיסה בטורונטו, קנדה ועובד עם ארגוני שירותים פיננסיים. הוא עוזר ללקוחות לשנות את העסקים שלהם ולחדש בענן.
ויני סייני הוא ארכיטקט פתרונות בכיר בחברת Amazon Web Services (AWS) שבסיסה בטורונטו, קנדה. היא עוזרת ללקוחות שירותים פיננסיים לבצע שינוי בענן, עם פתרונות מונעי בינה מלאכותית ו-ML מונחים על עמודי יסוד חזקים של מצוינות אדריכלית.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: 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/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 100
- 15%
- 7
- 900
- a
- אודות
- קביל
- גישה
- פי
- חֶשְׁבּוֹן
- חשבונות
- פעולות
- פעילויות
- פעילות
- להוסיף
- נוסף
- בנוסף
- לאחר
- AI
- ליישר
- תעשיות
- מאפשר
- כְּבָר
- אמזון בעברית
- גלאי הונאות של אמזון
- אמזון שירותי אינטרנט
- אמזון שירותי אינטרנט (AWS)
- an
- ו
- אחר
- כל
- API
- בקשה
- יישומים
- גישה
- מתאים
- בערך
- אדריכלי
- ארכיטקטורה
- ARE
- AS
- לְהַעֲרִיך
- המשויך
- At
- ניסיונות
- אוטומטי
- אוטומטי
- באופן אוטומטי
- זמין
- לְהִמָנַע
- AWS
- מבוסס
- BE
- היה
- לפני
- מתחיל
- להלן
- בֵּין
- שניהם
- לִבנוֹת
- בִּניָן
- מובנה
- עסקים
- עסקים
- אבל
- לַחְצָן
- by
- מחושב
- נקרא
- CAN
- קנדה
- ללכוד
- מקרה
- מסוים
- שינויים
- חיובים
- תרשים
- לבדוק
- בָּדוּק
- בחרו
- מיון
- לסווג
- קליק
- קרוב יותר
- ענן
- טור
- שילוב
- להשלים
- רְכִיב
- פשרה
- המחשב
- ראייה ממוחשבת
- רעיוני
- תנאים
- בלבול
- בהתחשב
- קונסול
- מתכתב
- כיסוי
- לִיצוֹר
- נוצר
- יוצר
- מנהג
- לקוח
- לקוחות
- אישית
- נתונים
- החלטה
- קבלת החלטות
- החלטות
- ירידה
- עמוק
- בְּרִירַת מֶחדָל
- לְהַגדִיר
- הגדרה
- מדגים
- לפרוס
- פרס
- פריסה
- תיאור
- פרטים
- לאתר
- איתור
- לפתח
- תרשים
- אחר
- נָדוֹן
- הפצה
- מסמך
- מסמכים
- מונע
- בְּמַהֲלָך
- כל אחד
- מוקדם יותר
- אפקטיבי
- אלמנטים
- מקצה לקצה
- מנוע
- זן
- ישות
- להעריך
- הערכה
- הערכה
- אירוע
- אירועים
- דוגמה
- דוגמאות
- אקסלנס
- ביטוי
- שלח
- קבצים
- כספי
- שירותים פיננסיים
- גמישות
- הבא
- כדלקמן
- בעד
- מזויף
- פוּרמָט
- היסוד
- הונאה
- גילוי הונאה
- רמאי
- החל מ-
- לגמרי
- עתיד
- ליצור
- נוצר
- יד
- יש
- he
- כותרות
- עזרה
- עוזר
- גָבוֹהַ
- להבליט
- מאוד
- היסטורי
- איך
- איך
- http
- HTTPS
- בן אנוש
- זיהוי
- if
- תמונות
- הפעלה
- לשפר
- שיפור
- in
- כולל
- הַכנָסָה
- לא נכון
- מצביע על
- מידע
- יזם
- לחדש
- תשומות
- לשלב
- מִמְשָׁק
- כרוך
- IT
- jpg
- רק
- שמור
- תווית
- תוויות
- הניח
- שפה
- למידה
- הכי פחות
- יציאה
- לגיטימי
- הַשׁאָלָה
- רמות
- כמו
- הגיון
- נמוך
- מכונה
- למידת מכונה
- לעשות
- עושה
- עשייה
- הצליח
- רב
- גפרורים
- מַטרִיצָה
- בוגר
- מאי..
- מדדים
- דקות
- חסר
- ML
- מודל
- מודלים
- חודשים
- יותר
- משכנתה
- צריך
- my
- שם
- ניווט
- צורך
- נחוץ
- צרכי
- חדש
- הבא
- עַכשָׁיו
- מטרה
- הִתרַחֲשׁוּת
- of
- זקן
- on
- אפשרויות
- or
- ארגונים
- אחר
- שלנו
- תוֹצָאָה
- פלטים
- מקיף
- שֶׁלוֹ
- עמוד
- זגוגית
- פרמטרים
- חלק
- נתיב
- ביצועים
- ביצעתי
- הרשאות
- עמודים
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- הודעה
- פוטנציאל
- לחזות
- נבואה
- התחזיות
- מועדף
- מוּכָן
- תְנַאִי מוּקדָם
- להציג
- מוצג
- תהליך
- פּרוֹפִיל
- תכנות
- לספק
- ובלבד
- מספק
- חי
- מוכן
- ממשי
- זמן אמת
- לאחרונה
- מוּמלָץ
- להתייחס
- באזור
- לייצג
- מייצג
- נדרש
- דרישות
- משאבים
- אלה
- תוצאה
- תוצאות
- סקירה
- סקר
- הסיכון
- תפקיד
- כלל
- כללי
- הפעלה
- בעל חכמים
- לִטעוֹם
- שמור
- הציל
- סולם
- ציון
- שְׁנִיָה
- סעיף
- לִרְאוֹת
- נבחר
- מבחר
- לחצני מצוקה לפנסיונרים
- סדרה
- שרות
- שירותים
- סט
- הצבה
- הגדרות
- היא
- הופעות
- דומה
- פָּשׁוּט
- בו זמנית
- So
- פִּתָרוֹן
- פתרונות
- ספציפי
- התמחות
- מצב
- שלב
- צעדים
- אחסון
- מאוחסן
- חזק
- כזה
- נתמך
- משימות
- לוקח
- לספר
- זֶה
- השמיים
- שֶׁלָהֶם
- אז
- אלה
- שְׁלִישִׁי
- זֶה
- שְׁלוֹשָׁה
- דרך
- זמן
- ל
- גַם
- כלים
- טורונטו
- לקראת
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- מופעל
- סוג
- סוגים
- חיתום
- נטען
- העלאה
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- שימושים
- באמצעות
- אימות
- ערך
- ערכים
- משתנה
- שונים
- גרסה
- גירסאות
- לצפיה
- חזון
- הלך
- רוצה
- היה
- we
- אינטרנט
- שירותי אינטרנט
- מתי
- אשר
- בזמן
- יצטרך
- עם
- זרימות עבודה
- עובד
- אתה
- זפירנט