ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร โพสต์แรก ในซีรี่ส์สามตอนนี้ เราได้นำเสนอโซลูชันที่สาธิตวิธีที่คุณสามารถตรวจจับการปลอมแปลงเอกสารและการฉ้อโกงในวงกว้างโดยอัตโนมัติโดยใช้บริการ AWS AI และการเรียนรู้ของเครื่อง (ML) สำหรับกรณีการใช้งานการรับประกันสินเชื่อ
ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร โพสต์ที่สองเราได้พูดคุยถึงแนวทางในการพัฒนาโมเดลคอมพิวเตอร์วิทัศน์บนพื้นฐานการเรียนรู้เชิงลึกเพื่อตรวจจับและเน้นรูปภาพปลอมแปลงในการพิจารณารับจำนอง
ในโพสต์นี้ เรานำเสนอโซลูชันในการตรวจจับการฉ้อโกงเอกสารจำนองโดยอัตโนมัติโดยใช้แบบจำลอง ML และกฎที่ธุรกิจกำหนด เครื่องตรวจจับการฉ้อโกงของ Amazon.
ภาพรวมโซลูชัน
เราใช้ Amazon Fraud Detector ซึ่งเป็นบริการตรวจจับการฉ้อโกงที่มีการจัดการเต็มรูปแบบ เพื่อตรวจจับกิจกรรมการฉ้อโกงโดยอัตโนมัติ โดยมีวัตถุประสงค์เพื่อปรับปรุงความแม่นยำในการทำนายการฉ้อโกงโดยการระบุการฉ้อโกงในเอกสารในเชิงรุก ในขณะเดียวกันก็ปรับปรุงความแม่นยำในการรับประกันภัย Amazon Fraud Detector ช่วยให้คุณสร้างโมเดลการตรวจจับการฉ้อโกงแบบกำหนดเองโดยใช้ชุดข้อมูลในอดีต กำหนดค่าตรรกะการตัดสินใจแบบกำหนดเองโดยใช้กลไกกฎในตัว และประสานการตัดสินใจความเสี่ยง ขั้นตอนการทำงานด้วยการคลิกปุ่มเพียงปุ่มเดียว
แผนภาพต่อไปนี้แสดงถึงแต่ละขั้นตอนในไปป์ไลน์การตรวจจับการฉ้อโกงเอกสารการจำนอง
ตอนนี้เราจะพูดถึงองค์ประกอบที่สามของไปป์ไลน์การตรวจจับการฉ้อโกงเอกสารการจำนอง ขั้นตอนในการปรับใช้ส่วนประกอบนี้มีดังนี้:
- อัปโหลดข้อมูลประวัติไปที่ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
- เลือกตัวเลือกของคุณและฝึกโมเดล
- สร้างแบบจำลอง
- ตรวจสอบประสิทธิภาพของโมเดล
- ปรับใช้โมเดล
- สร้างเครื่องตรวจจับ
- เพิ่มกฎเพื่อตีความคะแนนแบบจำลอง
- ปรับใช้ API เพื่อคาดการณ์
เบื้องต้น
ต่อไปนี้เป็นขั้นตอนเบื้องต้นสำหรับโซลูชันนี้:
- ลงทะเบียนสำหรับบัญชี AWS
- ตั้งค่าการอนุญาตที่อนุญาตให้บัญชี AWS ของคุณเข้าถึง Amazon Fraud Detector
- รวบรวมข้อมูลการฉ้อโกงในอดีตเพื่อใช้ในการฝึกอบรมแบบจำลองเครื่องตรวจจับการฉ้อโกง โดยมีข้อกำหนดต่อไปนี้:
- ข้อมูลต้องอยู่ในรูปแบบ CSV และมีส่วนหัว
- จำเป็นต้องมีสองส่วนหัว:
EVENT_TIMESTAMP
และEVENT_LABEL
. - ข้อมูลต้องอยู่ใน Amazon S3 ในภูมิภาค AWS ที่บริการรองรับ
- ขอแนะนำอย่างยิ่งให้เรียกใช้โปรไฟล์ข้อมูลก่อนที่จะฝึกอบรม (ใช้ไฟล์ เครื่องมือสร้างโปรไฟล์ข้อมูลอัตโนมัติสำหรับ Amazon Fraud Detector).
- ขอแนะนำให้ใช้ข้อมูลอย่างน้อย 3-6 เดือน
- การฉ้อโกงต้องใช้เวลาพอสมควร แนะนำให้ใช้ข้อมูลที่มีอายุ 1–3 เดือน (ไม่ล่าสุดเกินไป)
- ค่า NULL และค่าที่หายไปบางค่าเป็นที่ยอมรับได้ (แต่มีค่ามากเกินไปและตัวแปรจะถูกละเว้น ตามที่กล่าวไว้ใน ประเภทตัวแปรหายไปหรือไม่ถูกต้อง).
อัปโหลดข้อมูลประวัติไปยัง Amazon S3
หลังจากที่คุณมีไฟล์ข้อมูลประวัติที่กำหนดเองเพื่อฝึกโมเดลเครื่องตรวจจับการฉ้อโกงแล้ว ให้สร้างบัคเก็ต S3 และอัปโหลดข้อมูลไปยังบัคเก็ต
เลือกตัวเลือกและฝึกโมเดล
ขั้นตอนต่อไปในการสร้างและฝึกอบรมแบบจำลองเครื่องตรวจจับการฉ้อโกงคือการกำหนดกิจกรรมทางธุรกิจ (เหตุการณ์) เพื่อประเมินการฉ้อโกง การกำหนดเหตุการณ์เกี่ยวข้องกับการตั้งค่าตัวแปรในชุดข้อมูลของคุณ เอนทิตีที่เริ่มต้นเหตุการณ์ และป้ายกำกับที่จัดประเภทเหตุการณ์
ทำตามขั้นตอนต่อไปนี้เพื่อกำหนดเหตุการณ์ docfraud เพื่อตรวจจับการฉ้อโกงเอกสาร ซึ่งเริ่มต้นโดยการจำนองของผู้สมัครนิติบุคคล โดยอ้างอิงถึงใบสมัครจำนองใหม่:
- บนคอนโซล Amazon Fraud Detector ให้เลือก เหตุการณ์ที่เกิดขึ้น ในบานหน้าต่างนำทาง
- Choose สร้างบัญชีตัวแทน.
- ภายใต้ รายละเอียดประเภทเหตุการณ์ป้อน
docfraud
เป็นชื่อประเภทเหตุการณ์ และป้อนคำอธิบายของเหตุการณ์ (ไม่บังคับ) - Choose สร้างเอนทิตี.
- เกี่ยวกับ สร้างเอนทิตี หน้า, ป้อน
applicant_mortgage
เป็นชื่อประเภทเอนทิตี และป้อนคำอธิบายของประเภทเอนทิตี (ไม่บังคับ) - Choose สร้างเอนทิตี.
- ภายใต้ ตัวแปรเหตุการณ์สำหรับ เลือกวิธีกำหนดตัวแปรของเหตุการณ์นี้เลือก เลือกตัวแปรจากชุดข้อมูลการฝึก.
- สำหรับ บทบาท IAMเลือก สร้างบทบาท IAM.
- เกี่ยวกับ สร้างบทบาท IAM ป้อนชื่อบัคเก็ต S3 พร้อมข้อมูลตัวอย่างของคุณแล้วเลือก สร้างบทบาท.
- สำหรับ ตำแหน่งข้อมูลให้ป้อนเส้นทางไปยังข้อมูลประวัติของคุณ นี่คือเส้นทาง S3 URI ที่คุณบันทึกไว้หลังจากอัปโหลดข้อมูลประวัติ เส้นทางก็คล้ายๆกัน
S3://your-bucket-name/example dataset filename.csv
. - Choose อัพโหลด.
ตัวแปรแสดงถึงองค์ประกอบข้อมูลที่คุณต้องการใช้ในการคาดการณ์การฉ้อโกง ตัวแปรเหล่านี้สามารถนำมาจากชุดข้อมูลเหตุการณ์ที่คุณเตรียมไว้สำหรับการฝึกโมเดลของคุณ จากผลลัพธ์คะแนนความเสี่ยงของโมเดล Amazon Fraud Detector หรือจาก อเมซอน SageMaker โมเดล สำหรับข้อมูลเพิ่มเติมเกี่ยวกับตัวแปรที่นำมาจากชุดข้อมูลเหตุการณ์ โปรดดู รับข้อกำหนดชุดข้อมูลเหตุการณ์โดยใช้ Data Model Explorer.
- ภายใต้ ป้ายกำกับ – ไม่จำเป็นสำหรับ ป้ายกำกับเลือก สร้างป้ายกำกับใหม่.
- เกี่ยวกับ สร้างป้ายกำกับ หน้า, ป้อน
fraud
เป็นชื่อ ป้ายกำกับนี้สอดคล้องกับค่าที่แสดงถึงการสมัครจำนองที่ฉ้อโกงในชุดข้อมูลตัวอย่าง - Choose สร้างป้ายกำกับ.
- สร้างป้ายกำกับที่สองชื่อ
legit
. ป้ายกำกับนี้สอดคล้องกับค่าที่แสดงถึงการสมัครจำนองที่ถูกต้องตามกฎหมายในชุดข้อมูลตัวอย่าง - Choose สร้างประเภทเหตุการณ์.
ภาพหน้าจอต่อไปนี้แสดงรายละเอียดประเภทกิจกรรมของเรา
ภาพหน้าจอต่อไปนี้แสดงตัวแปรของเรา
ภาพหน้าจอต่อไปนี้แสดงป้ายกำกับของเรา
สร้างแบบจำลอง
หลังจากที่คุณโหลดข้อมูลประวัติและเลือกตัวเลือกที่จำเป็นในการฝึกแบบจำลองแล้ว ให้ทำตามขั้นตอนต่อไปนี้เพื่อสร้างแบบจำลอง:
- บนคอนโซล Amazon Fraud Detector ให้เลือก Models ในบานหน้าต่างนำทาง
- Choose เพิ่มรุ่นแล้วเลือก สร้างแบบจำลอง.
- เกี่ยวกับ กำหนดรายละเอียดรุ่น หน้า, ป้อน
mortgage_fraud_detection_model
เป็นชื่อของแบบจำลองและคำอธิบายเพิ่มเติมของแบบจำลอง - สำหรับ ประเภทรุ่น, เลือก ข้อมูลเชิงลึกเกี่ยวกับการฉ้อโกงออนไลน์ แบบ
- สำหรับ ประเภทเหตุการณ์เลือก
docfraud
. นี่คือประเภทเหตุการณ์ที่คุณสร้างไว้ก่อนหน้านี้ - ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร ข้อมูลเหตุการณ์ในอดีต ส่วน ให้ระบุข้อมูลต่อไปนี้:
- สำหรับ แหล่งข้อมูลเหตุการณ์เลือก ข้อมูลเหตุการณ์ที่เก็บไว้ที่อัปโหลดไปยัง S3 (หรือ AFD).
- สำหรับ บทบาท IAMให้เลือกบทบาทที่คุณสร้างไว้ก่อนหน้านี้
- สำหรับ ตำแหน่งข้อมูลการฝึกอบรมให้ป้อนเส้นทาง S3 URI ไปยังไฟล์ข้อมูลตัวอย่างของคุณ
- Choose ถัดไป.
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร อินพุตโมเดล ส่วน ให้ทำเครื่องหมายในช่องทำเครื่องหมายทั้งหมดไว้ ตามค่าเริ่มต้น Amazon Fraud Detector จะใช้ตัวแปรทั้งหมดจากชุดข้อมูลเหตุการณ์ในอดีตของคุณเป็นอินพุตโมเดล
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร การจำแนกฉลาก ส่วนสำหรับ ป้ายฉ้อโกงเลือก
fraud
ซึ่งสอดคล้องกับค่าที่แสดงถึงเหตุการณ์การฉ้อโกงในชุดข้อมูลตัวอย่าง - สำหรับ ฉลากที่ถูกต้องเลือก
legit
ซึ่งสอดคล้องกับค่าที่แสดงถึงเหตุการณ์ที่ถูกต้องตามกฎหมายในชุดข้อมูลตัวอย่าง - สำหรับ กิจกรรมที่ไม่มีป้ายกำกับให้เก็บการเลือกเริ่มต้นไว้ ละเว้นเหตุการณ์ที่ไม่มีป้ายกำกับ สำหรับชุดข้อมูลตัวอย่างนี้
- Choose ถัดไป.
- ตรวจสอบการตั้งค่าของคุณ จากนั้นเลือก สร้างและฝึกโมเดล.
Amazon Fraud Detector สร้างโมเดลและเริ่มฝึกโมเดลเวอร์ชันใหม่
เกี่ยวกับ รุ่นรุ่น หน้า, Status คอลัมน์ระบุสถานะของการฝึกโมเดล การฝึกโมเดลที่ใช้ชุดข้อมูลตัวอย่างใช้เวลาประมาณ 45 นาทีจึงจะเสร็จสมบูรณ์ สถานะจะเปลี่ยนเป็น พร้อมส่ง หลังจากการฝึกโมเดลเสร็จสิ้น
ตรวจสอบประสิทธิภาพของโมเดล
หลังจากการฝึกโมเดลเสร็จสมบูรณ์ Amazon Fraud Detector จะตรวจสอบประสิทธิภาพของโมเดลโดยใช้ข้อมูล 15% ของคุณที่ไม่ได้ใช้ในการฝึกโมเดล และจัดเตรียมเครื่องมือต่างๆ รวมถึงแผนภูมิการกระจายคะแนนและเมทริกซ์ความสับสน เพื่อประเมินประสิทธิภาพของโมเดล
หากต้องการดูประสิทธิภาพของโมเดล ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Fraud Detector ให้เลือก Models ในบานหน้าต่างนำทาง
- เลือกโมเดลที่คุณเพิ่งฝึก (
sample_fraud_detection_model
) จากนั้นเลือก 1.0. นี่คือเวอร์ชันที่ Amazon Fraud Detector สร้างขึ้นจากโมเดลของคุณ - ตรวจสอบ ประสิทธิภาพของโมเดล คะแนนโดยรวมและตัววัดอื่นๆ ทั้งหมดที่ Amazon Fraud Detector สร้างขึ้นสำหรับโมเดลนี้
ปรับใช้โมเดล
หลังจากที่คุณตรวจสอบหน่วยวัดประสิทธิภาพของแบบจำลองที่ได้รับการฝึกอบรมแล้ว และพร้อมที่จะใช้เพื่อสร้างการคาดการณ์การฉ้อโกง คุณสามารถปรับใช้แบบจำลองได้:
- บนคอนโซล Amazon Fraud Detector ให้เลือก Models ในบานหน้าต่างนำทาง
- เลือกรุ่น
sample_fraud_detection_model
จากนั้นเลือกเวอร์ชันของโมเดลเฉพาะที่คุณต้องการปรับใช้ สำหรับโพสต์นี้ ให้เลือก 1.0. - เกี่ยวกับ รุ่นรุ่น หน้าบน สถานะ เมนูให้เลือก ปรับใช้รุ่นรุ่น.
เกี่ยวกับ รุ่นรุ่น หน้า, Status แสดงสถานะของการใช้งาน สถานะจะเปลี่ยนเป็น ใช้งาน เมื่อการติดตั้งใช้งานเสร็จสมบูรณ์ สิ่งนี้บ่งชี้ว่าเวอร์ชันแบบจำลองถูกเปิดใช้งานและพร้อมใช้งานเพื่อสร้างการคาดการณ์การฉ้อโกง
สร้างเครื่องตรวจจับ
หลังจากที่คุณปรับใช้โมเดลแล้ว คุณจะสร้างตัวตรวจจับสำหรับ docfraud
ประเภทเหตุการณ์และเพิ่มโมเดลที่ปรับใช้ ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Fraud Detector ให้เลือก เครื่องตรวจจับ ในบานหน้าต่างนำทาง
- Choose สร้างตัวตรวจจับ.
- เกี่ยวกับ กำหนดรายละเอียดเครื่องตรวจจับ หน้า, ป้อน
fraud_detector
สำหรับชื่อเครื่องมือตรวจจับ และป้อนคำอธิบายสำหรับเครื่องมือตรวจสอบ เช่น ตัวอย่างเครื่องมือตรวจจับการฉ้อโกงของฉัน (ไม่บังคับ) - สำหรับ ชนิดเหตุการณ์เลือก
docfraud
. นี่คือกิจกรรมที่คุณสร้างขึ้นก่อนหน้านี้ - Choose ถัดไป.
เพิ่มกฎเกณฑ์ในการตีความ
หลังจากที่คุณสร้างโมเดล Amazon Fraud Detector แล้ว คุณสามารถใช้คอนโซล Amazon Fraud Detector หรือ Application Programming Interface (API) เพื่อกำหนดกฎที่ขับเคลื่อนด้วยธุรกิจ (เงื่อนไขที่บอก Amazon Fraud Detector ถึงวิธีตีความคะแนนประสิทธิภาพของโมเดลเมื่อประเมินการคาดการณ์การฉ้อโกง) . เพื่อให้สอดคล้องกับกระบวนการพิจารณารับประกันการจำนอง คุณสามารถสร้างกฎเพื่อตั้งค่าสถานะการสมัครจำนองตามระดับความเสี่ยงที่เกี่ยวข้องและแมปเป็นการฉ้อโกง ถูกต้องตามกฎหมาย หรือหากจำเป็นต้องตรวจสอบ
ตัวอย่างเช่น คุณอาจต้องการปฏิเสธใบสมัครจำนองที่มีความเสี่ยงสูงในการฉ้อโกงโดยอัตโนมัติ โดยพิจารณาจากพารามิเตอร์ต่างๆ เช่น รูปภาพของเอกสารที่จำเป็นที่ถูกแก้ไข เอกสารที่ขาดหายไป เช่น ข้อกำหนดด้านเงินเดือนหรือรายได้ และอื่นๆ ในทางกลับกัน แอปพลิเคชันบางอย่างอาจจำเป็นต้องมีมนุษย์ในวงเพื่อการตัดสินใจที่มีประสิทธิภาพ
Amazon Fraud Detector ใช้ค่ารวม (คำนวณโดยการรวมชุดตัวแปรดิบ) และค่าดิบ (ค่าที่ระบุสำหรับตัวแปร) เพื่อสร้างคะแนนโมเดล คะแนนแบบจำลองสามารถอยู่ระหว่าง 0–1000 โดยที่ 0 หมายถึงความเสี่ยงในการฉ้อโกงต่ำ และ 1000 หมายถึงความเสี่ยงในการฉ้อโกงสูง
หากต้องการเพิ่มกฎที่ขับเคลื่อนด้วยธุรกิจ ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Fraud Detector ให้เลือก กฎระเบียบ ในบานหน้าต่างนำทาง
- Choose เพิ่มกฎ.
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร กำหนดกฎ ให้ป้อนการฉ้อโกงสำหรับชื่อกฎ และป้อนคำอธิบาย (ไม่บังคับ)
- สำหรับ การแสดงออกให้ป้อนนิพจน์กฎโดยใช้ภาษานิพจน์กฎที่เรียบง่ายของ Amazon Fraud Detector
$docdraud_insightscore >= 900
- สำหรับ ผลลัพธ์เลือก สร้างผลลัพธ์ใหม่ (ผลลัพธ์คือผลลัพธ์จากการทำนายการฉ้อโกง และจะถูกส่งกลับหากกฎตรงกันระหว่างการประเมิน)
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร สร้างผลลัพธ์ใหม่ ส่วน ป้อนการปฏิเสธเป็นชื่อผลลัพธ์และคำอธิบายเพิ่มเติม
- Choose บันทึกผลลัพธ์
- Choose เพิ่มกฎ เพื่อเรียกใช้ตัวตรวจสอบการตรวจสอบกฎและบันทึกกฎ
- หลังจากที่สร้างแล้ว Amazon Fraud Detector จะทำสิ่งต่อไปนี้
high_risk
กฎที่พร้อมใช้งานในเครื่องตรวจจับของคุณ- ชื่อกฎ:
fraud
- ผล:
decline
- นิพจน์:
$docdraud_insightscore >= 900
- ชื่อกฎ:
- Choose เพิ่มกฎอื่นแล้วเลือก สร้างกฎ แท็บเพื่อเพิ่มกฎอีก 2 ข้อดังนี้:
- สร้าง
low_risk
กฎโดยมีรายละเอียดดังต่อไปนี้:- ชื่อกฎ:
legit
- ผล:
approve
- นิพจน์:
$docdraud_insightscore <= 500
- ชื่อกฎ:
- สร้าง
medium_risk
กฎโดยมีรายละเอียดดังต่อไปนี้:- ชื่อกฎ:
review needed
- ผล:
review
- นิพจน์:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- ชื่อกฎ:
ค่าเหล่านี้เป็นตัวอย่างที่ใช้สำหรับโพสต์นี้ เมื่อคุณสร้างกฎสำหรับตัวตรวจจับของคุณเอง ให้ใช้ค่าที่เหมาะสมสำหรับโมเดลและกรณีการใช้งานของคุณ
- หลังจากที่คุณสร้างกฎทั้งสามข้อแล้ว ให้เลือก ถัดไป.
ปรับใช้ API เพื่อคาดการณ์
หลังจากทริกเกอร์การดำเนินการตามกฎแล้ว คุณสามารถปรับใช้ Amazon Fraud Detector API เพื่อประเมินแอปพลิเคชันการให้ยืมและคาดการณ์การฉ้อโกงที่อาจเกิดขึ้นได้ การคาดการณ์สามารถทำได้เป็นชุดหรือแบบเรียลไทม์
ผสานรวมโมเดล SageMaker ของคุณ (ไม่บังคับ)
หากคุณมีโมเดลการตรวจจับการฉ้อโกงใน SageMaker อยู่แล้ว คุณสามารถรวมเข้ากับ Amazon Fraud Detector เพื่อให้ได้ผลลัพธ์ที่คุณต้องการ
นี่หมายความว่าคุณสามารถใช้ทั้งรุ่น SageMaker และ Amazon Fraud Detector ในแอปพลิเคชันของคุณเพื่อตรวจจับการฉ้อโกงประเภทต่างๆ ตัวอย่างเช่น แอปพลิเคชันของคุณสามารถใช้โมเดล Amazon Fraud Detector เพื่อประเมินความเสี่ยงในการฉ้อโกงของบัญชีลูกค้า และใช้โมเดล PageMaker ของคุณไปพร้อมๆ กันเพื่อตรวจสอบความเสี่ยงในการบุกรุกบัญชี
ทำความสะอาด
เพื่อหลีกเลี่ยงไม่ให้มีค่าใช้จ่ายในอนาคต ให้ลบทรัพยากรที่สร้างขึ้นสำหรับโซลูชัน รวมถึงสิ่งต่อไปนี้:
- ถัง S3
- จุดสิ้นสุดของ Amazon Fraud Detector
สรุป
โพสต์นี้จะแนะนำคุณเกี่ยวกับโซลูชันอัตโนมัติและแบบกำหนดเองเพื่อตรวจจับการฉ้อโกงในกระบวนการพิจารณาสินเชื่อจำนอง โซลูชันนี้ช่วยให้คุณตรวจจับความพยายามในการฉ้อโกงได้ใกล้เคียงกับเวลาที่เกิดการฉ้อโกง และช่วยให้ผู้จัดการการจัดจำหน่ายมีกระบวนการตัดสินใจที่มีประสิทธิภาพ นอกจากนี้ ความยืดหยุ่นในการใช้งานยังช่วยให้คุณกำหนดกฎที่ขับเคลื่อนด้วยธุรกิจเพื่อจัดประเภทและบันทึกความพยายามในการฉ้อโกงที่ปรับแต่งตามความต้องการทางธุรกิจโดยเฉพาะ
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการสร้างโซลูชันการตรวจจับการฉ้อโกงเอกสารจำนองแบบครบวงจร โปรดดูที่ 1 หมายเลข และ 2 หมายเลข ในชุดนี้
เกี่ยวกับผู้แต่ง
อนุพ ราวินทรานาถ เป็นสถาปนิกโซลูชันอาวุโสที่ Amazon Web Services (AWS) ซึ่งตั้งอยู่ในโตรอนโต แคนาดา โดยทำงานร่วมกับองค์กรบริการทางการเงิน เขาช่วยลูกค้าในการเปลี่ยนแปลงธุรกิจและสร้างสรรค์นวัตกรรมบนคลาวด์
วินนี่ ซานิ เป็น Senior Solutions Architect ที่ Amazon Web Services (AWS) ในเมืองโตรอนโต ประเทศแคนาดา เธอช่วยลูกค้าบริการทางการเงินเปลี่ยนแปลงบนคลาวด์ด้วยโซลูชันที่ขับเคลื่อนด้วย AI และ ML ซึ่งวางอยู่บนเสาหลักที่แข็งแกร่งของความเป็นเลิศทางสถาปัตยกรรม
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: 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/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 100
- 15%
- 7
- 900
- a
- เกี่ยวกับเรา
- ยอมรับได้
- เข้า
- ตาม
- ลงชื่อเข้าใช้
- บัญชี
- การปฏิบัติ
- กิจกรรม
- อยากทำกิจกรรม
- เพิ่ม
- เพิ่มเติม
- นอกจากนี้
- หลังจาก
- AI
- จัดแนว
- ทั้งหมด
- ช่วยให้
- แล้ว
- อเมซอน
- เครื่องตรวจจับการฉ้อโกงของ Amazon
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- และ
- อื่น
- ใด
- API
- การใช้งาน
- การใช้งาน
- เข้าใกล้
- เหมาะสม
- ประมาณ
- ในเชิงสถาปัตยกรรม
- สถาปัตยกรรม
- เป็น
- AS
- ประเมินผล
- ที่เกี่ยวข้อง
- At
- ความพยายามในการ
- โดยอัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- หลีกเลี่ยง
- AWS
- ตาม
- BE
- รับ
- ก่อน
- เริ่มต้น
- ด้านล่าง
- ระหว่าง
- ทั้งสอง
- สร้าง
- การก่อสร้าง
- built-in
- ธุรกิจ
- ธุรกิจ
- แต่
- ปุ่ม
- by
- คำนวณ
- ที่เรียกว่า
- CAN
- แคนาดา
- จับ
- กรณี
- บาง
- การเปลี่ยนแปลง
- โหลด
- แผนภูมิ
- ตรวจสอบ
- ตรวจสอบแล้ว
- Choose
- การจัดหมวดหมู่
- แยกประเภท
- คลิก
- ใกล้ชิด
- เมฆ
- คอลัมน์
- การรวมกัน
- สมบูรณ์
- ส่วนประกอบ
- การประนีประนอม
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- เกี่ยวกับความคิดเห็น
- เงื่อนไข
- ความสับสน
- พิจารณา
- ปลอบใจ
- สอดคล้อง
- ครอบคลุม
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- ประเพณี
- ลูกค้า
- ลูกค้า
- การปรับแต่ง
- ข้อมูล
- การตัดสินใจ
- การตัดสินใจ
- การตัดสินใจ
- ลดลง
- ลึก
- ค่าเริ่มต้น
- กำหนด
- การกำหนด
- แสดงให้เห็นถึง
- ปรับใช้
- นำไปใช้
- การใช้งาน
- ลักษณะ
- รายละเอียด
- ตรวจจับ
- การตรวจพบ
- พัฒนา
- แผนภาพ
- ต่าง
- กล่าวถึง
- การกระจาย
- เอกสาร
- เอกสาร
- ขับเคลื่อน
- ในระหว่าง
- แต่ละ
- ก่อน
- มีประสิทธิภาพ
- องค์ประกอบ
- จบสิ้น
- เครื่องยนต์
- เข้าสู่
- เอกลักษณ์
- ประเมินค่า
- การประเมินการ
- การประเมินผล
- เหตุการณ์
- เหตุการณ์
- ตัวอย่าง
- ตัวอย่าง
- ความยอดเยี่ยม
- การแสดงออก
- เนื้อไม่มีมัน
- ไฟล์
- ทางการเงิน
- บริการทางการเงิน
- ความยืดหยุ่น
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- ปลอม
- รูป
- พื้นฐาน
- การหลอกลวง
- การตรวจจับการฉ้อโกง
- ฉ้อโกง
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- อนาคต
- สร้าง
- สร้าง
- มือ
- มี
- he
- ส่วนหัว
- การช่วยเหลือ
- จะช่วยให้
- จุดสูง
- เน้น
- อย่างสูง
- ทางประวัติศาสตร์
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- ที่ http
- HTTPS
- เป็นมนุษย์
- ระบุ
- if
- ภาพ
- การดำเนินงาน
- ปรับปรุง
- การปรับปรุง
- in
- รวมทั้ง
- เงินได้
- ไม่ถูกต้อง
- บ่งชี้ว่า
- ข้อมูล
- ที่ริเริ่ม
- เราสร้างสรรค์สิ่งใหม่ ๆ
- ปัจจัยการผลิต
- รวบรวม
- อินเตอร์เฟซ
- ที่เกี่ยวข้องกับการ
- IT
- jpg
- เพียงแค่
- เก็บ
- ฉลาก
- ป้ายกำกับ
- วาง
- ภาษา
- การเรียนรู้
- น้อยที่สุด
- ทิ้ง
- ถูกกฎหมาย
- การให้กู้ยืมเงิน
- ระดับ
- กดไลก์
- ตรรกะ
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทำให้
- การทำ
- การจัดการ
- หลาย
- ที่ตรงกัน
- มดลูก
- เป็นผู้ใหญ่
- อาจ..
- ตัวชี้วัด
- นาที
- หายไป
- ML
- แบบ
- โมเดล
- เดือน
- ข้อมูลเพิ่มเติม
- จำนอง
- ต้อง
- my
- ชื่อ
- การเดินเรือ
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- ใหม่
- ถัดไป
- ตอนนี้
- วัตถุประสงค์
- การเกิดขึ้น
- of
- เก่า
- on
- Options
- or
- องค์กร
- อื่นๆ
- ของเรา
- ผล
- เอาท์พุท
- ทั้งหมด
- ของตนเอง
- หน้า
- บานหน้าต่าง
- พารามิเตอร์
- ส่วนหนึ่ง
- เส้นทาง
- การปฏิบัติ
- ดำเนินการ
- สิทธิ์
- เสา
- ท่อ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- โพสต์
- ที่มีศักยภาพ
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- ที่ต้องการ
- เตรียม
- เบื้องต้น
- นำเสนอ
- นำเสนอ
- กระบวนการ
- โปรไฟล์
- การเขียนโปรแกรม
- ให้
- ให้
- ให้
- ดิบ
- พร้อม
- จริง
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- แนะนำ
- อ้างอิง
- ภูมิภาค
- แสดง
- แสดงให้เห็นถึง
- จำเป็นต้องใช้
- ความต้องการ
- แหล่งข้อมูล
- ว่า
- ผล
- ผลสอบ
- ทบทวน
- สุดท้าย
- ความเสี่ยง
- บทบาท
- กฎ
- กฎระเบียบ
- วิ่ง
- sagemaker
- ตัวอย่าง
- ลด
- ที่บันทึกไว้
- ขนาด
- คะแนน
- ที่สอง
- Section
- เห็น
- เลือก
- การเลือก
- ระดับอาวุโส
- ชุด
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- การตั้งค่า
- เธอ
- แสดงให้เห็นว่า
- คล้ายคลึงกัน
- ง่าย
- พร้อมกัน
- So
- ทางออก
- โซลูชัน
- โดยเฉพาะ
- ระยะ
- Status
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- เก็บไว้
- แข็งแรง
- อย่างเช่น
- ที่สนับสนุน
- นำ
- ใช้เวลา
- บอก
- ที่
- พื้นที่
- ของพวกเขา
- แล้วก็
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- ที่สาม
- นี้
- สาม
- ตลอด
- เวลา
- ไปยัง
- เกินไป
- เครื่องมือ
- โตรอน
- ไปทาง
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- ทริกเกอร์
- ชนิด
- ชนิด
- การจัดจำหน่าย
- อัปโหลด
- อัปโหลด
- ใช้
- ใช้กรณี
- มือสอง
- ใช้
- การใช้
- การตรวจสอบ
- ความคุ้มค่า
- ความคุ้มค่า
- ตัวแปร
- ต่างๆ
- รุ่น
- รุ่น
- รายละเอียด
- วิสัยทัศน์
- เดิน
- ต้องการ
- คือ
- we
- เว็บ
- บริการเว็บ
- เมื่อ
- ที่
- ในขณะที่
- จะ
- กับ
- ขั้นตอนการทำงาน
- การทำงาน
- คุณ
- ของคุณ
- ลมทะเล