GrabDefence cihaz zekası ve Amazon Fraud Detector kullanarak mobil odaklı işletmelerde dolandırıcılığı tespit edin

Bu gönderide, mobil uygulamalardan yararlanan dolandırıcıları yakalamanıza yardımcı olmak için zengin mobil cihaz zekasını özelleştirilmiş makine öğrenimi (ML) modellemesiyle birleştiren bir çözüm sunuyoruz.

GrabSavunma (GD), Grab'ın tescilli dolandırıcılık algılama ve önleme teknolojisi ve AWS, GD'nin cihaz zekası yeteneklerini, Amazon Sahtekarlık Dedektörü, AWS'nin tümüyle yönetilen makine öğrenimi dolandırıcılık algılama çözümü. GDxAFD ile, mobil uygulamanızı dolandırıcılardan korumak için Amazon'un 20 yılı aşkın dolandırıcılık tespit uzmanlığından ve Güneydoğu Asya'nın önde gelen süper uygulamasının kapsamlı mobil dolandırıcılık deneyiminden yararlanabilirsiniz.

Bu çözüm, daha büyük bir küresel dolandırıcılık karşıtı çabalar dalgasına dayanıyor. uzmanların tahmini 62.70 yılına kadar 2028 milyar ABD Dolarına büyümek. Dijital ekonominin yükselişiyle birlikte dolandırıcılık sendikaları giderek artan bir şekilde çevrimiçi işletmeleri hedef almakta, finansal kayıplara neden olmakta ve son kullanıcılar ile platform arasındaki güveni zedelemektedir. Dolandırıcılıkla mücadelenin gerçek maliyeti de hızla artıyor çünkü daha fazla dolandırıcılık kontrolü daha kötü müşteri deneyimine, yanlış pozitiflere ve bir bütün olarak Gerçek Maliyetten kaynaklanan gerçek dolandırıcılık kayıplarından üç kat daha büyük olduğu tahmin edilen operasyonel yüke yol açıyor. Sahtekar^TM LexisNexis'in APAC Çalışması^® Risk Çözümleri.

Çözüm ekibi, birleştirilmiş endüstri deneyiminden hareketle, bir mobil ortamdaki işleyiş biçimlerinin çoğunun, sahte hesaplar oluşturmak ve bir platformun cihazdaki güvenlik kontrollerini atlamak için araçlara ve yöntemlere sahip olan dolandırıcılar tarafından yönlendirildiğine ve böylece onların, büyük getiriler için platform. Bu nedenle, mobil sahtekarlığı önlemek, mobil uygulamaya erişmek için kullanılan cihazların risk profilini net bir şekilde anlamaktan ve ardından toplanan cihaz risk istihbaratını, kullanıcı, olay veya hesap hakkında ek verilerle birlikte potansiyel dolandırıcılık davranışını gerçek anlamda tespit etmek için kullanmakla başlar. zaman ve ölçekte. Şirketler, zengin cihaz zekası ile ML'yi birleştirerek, mobil odaklı dolandırıcılık sendikalarının önünde kalmak ve platformlarındaki sahtekarlığı azaltmak için daha iyi konumlanıyor.

GD cihaz zekası

GD, Grab'ın dolandırıcılık önleme ekibinin bir ürünüdür. Kapmak. Grab, NASDAQ listesinde yer alan bir şirkettir ve aylık 30 milyonun üzerinde işlem yapan kullanıcısıyla Güney Doğu Asya'da lider bir süper uygulamadır (Grab's'e göre 1 2022. Çeyrek Sonuçları). SEA'da lider bir süper uygulama olarak operasyonlarının ölçeği ve mobil öncelikli bir işletmenin doğası gereği Grab, zengin veriler, teknoloji odağı ve operasyonel deneyiminden ve maruz kaldığı deneyimlerden elde ettiği bilgilerle sağlanan dolandırıcılık önleme çözümleri oluşturmaya büyük yatırımlar yapıyor. . GD'nin cihaz zekası hizmeti, mobil uygulama kullanıcılarından kişisel olarak tanımlanabilir bilgiler (PII) hariç zengin cihaz düzeyinde veriler toplar ve cihazın risk profilini anlamak için bunları güvenli bir şekilde analiz eder. Grab'ın süper uygulaması aracılığıyla oluşturulan büyük bir cihaz ağından öğrenen GD'nin cihaz zekası hizmeti, cihaz parmak izlerini doğru bir şekilde oluşturabilir ve cihaz veya uygulama değişikliği veya kurcalama, öykünücü kullanımı ve GPS sahtekarlığı gibi riskli özellikleri algılayabilir. Daha önce de belirtildiği gibi, mobil platformlardaki birçok dolandırıcılık modus operandi, sahte hesapların toplu olarak oluşturulmasını, cihaz yeniden mühendisliğini ve GD cihaz zekasının tespit edebildiği konum sahteciliğini içerir. Sonuç olarak, GD cihaz zekası ve Amazon Fraud Detector'ı entegre ederek, benzer dolandırıcılık saldırılarına maruz kalan platformlar, GrabDefence tarafından Grab'in dolandırıcılık önleme sistemleri üzerinde yapılan istatistiksel çalışmalara dayalı olarak dolandırıcılık tespitinde %23'e varan artış bekleyebilir.

Amazon Fraud Detector'da özel dolandırıcılık algılama ML modelleri

Amazon Fraud Detector, oluşturduğu her modeli kendi veri kümenize göre özelleştirerek, modellerin doğruluğunu herkese uyan tek bir makine öğrenimi çözümlerinden daha yüksek hale getirir. Tam otomatik model eğitimi sürecinde, model performansınızı daha da artırmak için AWS'den ve Amazon'un kendi dolandırıcılık uzmanlığından öğrenilen bir dizi model kullanılır.

GDxAFD çözümüyle artık Amazon Fraud Detector'da esnek olay şemalarının nasıl kullanılacağına ilişkin adım adım rehberliğe ve GD cihaz zekası bulgularını özel sahtekarlık dedektörü modellerinize eklemek için bir referans mimariye sahipsiniz. Nihai sonuç, bir kez eğitildikten sonra kendi geçmiş verileriniz, GD'nin cihaz zekası verileri, Amazon genelinde görülen dolandırıcılık kalıpları ve ek üçüncü taraf verileri (Amazon tarafından otomatik olarak eklenir) dahil olmak üzere birden çok veri kaynağından öğrenme avantajına sahip bir makine öğrenimi modelidir. Dolandırıcılık Dedektörü). GD ve Amazon Fraud Detector arasındaki pilot çalışmamıza dayanarak, GD cihaz zekasını kullanan modelimiz, sahte hesap kayıtlarını tespit etmek için algılama performansında %23 artış gösterdi. Bu modelleri, yalnızca sahte hesap kaydını değil, aynı zamanda diğerlerinin yanı sıra sahte ödemeleri, promosyon kötüye kullanımını veya sadakat programı kötüye kullanımını önlemek için mobil sahtekarlığı tespit etmek için kullanabilirsiniz.

Başlamak için, cihaz düzeyinde veri toplamak için önce GD'nin mobil SDK'sını mobil uygulamanıza entegre edin. Ardından, olay veya hesap için GD'den cihaz risk istihbaratı veri noktaları dahil olmak üzere sahip olduğunuz olay ve hesap veri noktalarını belirterek dolandırıcılık açısından değerlendirmek istediğiniz olayı tanımlamak için Amazon Fraud Detector'ı kullanırsınız. Bundan sonra, makine öğrenimi modelinizi yalnızca birkaç adımda Amazon Fraud Detector'da eğitirsiniz. Modeli eğittikten sonra bir dedektöre ekleyebilirsiniz.

Gerçek zamanlı tahminler yapmaya başlamak için Amazon Fraud Detector'ın düşük gecikmeli tahmin API'sini uygulamanıza entegre eder ve sahtekarlık tahminleri oluşturmak için yeni mobil olaylar göndermeye başlarsınız. Her dolandırıcılık tahmini, olayla ilişkili cihaz için GD cihaz zekası verilerinin yanı sıra Amazon'da yaşanan dolandırıcılık modellerinden gelen sinyaller de dahil olmak üzere Amazon Fraud Detector tarafından otomatik olarak eklenen ek verileri ve zekayı dikkate alır.

Çözüme genel bakış

Cihaz zekası, risk kararları için kritik bir girdi türüdür. Mobil alanda dolandırıcılık tespitinde karşılaşılan yaygın zorluklardan biri, risk kararları almak için zenginleştirilmiş veri kullanılabilirliğinin olmamasıdır. Öte yandan, mobil cihazlar tipik olarak dolandırıcıların ve dolandırıcılık sendikalarının sahip olduğu en pahalı varlıktır ve bu nedenle, kullanılan cihazın gerçek kimliğini ve profilini maskelemek için önemli düzeyde çaba sarf edilir. Mobil cihazın (bazen gerçek bir cihaz bile olmayan) risk profilini anlamak ve farklı mobil cihazlar arasındaki ilişkiden içgörüler elde edebilmek, herhangi bir mobil işletme için risk kararlarını önemli ölçüde iyileştirebilir ve herhangi bir mobil tabanlı işin merkezi haline gelebilir. dolandırıcılık yönetimi stratejisi.

GDxAFD çözümü, gerçek zamanlı dolandırıcılık tahminleri oluşturmak için Amazon Fraud Detector ve GrabDefence'in cihaz zekası SDK'sını kullanır. Amazon API Ağ Geçidi ve AWS Lambda. Çözümün AWS bölümlerini aşağıdakileri kullanarak sağlayabilirsiniz: AWS CloudFormation.

Aşağıdaki şema çözüm mimarimizi göstermektedir.

İş akışı aşağıdaki adımlardan oluşur:

1. Bir son kullanıcı mobil uygulamanızla etkileşim kurduğunda, GD'nin mobil SDK'sı pasif olarak cihaz verilerini toplar ve bu verileri cihaz için bir risk profilinin oluşturulduğu GD'nin cihaz istihbarat hizmetine aktarır.
2. Ardından, bu kullanıcı mobil uygulamayı kullanarak işlem yaptığında ve dolandırıcılık riskini gerçek zamanlı olarak değerlendirmek istediğinizde, mobil uygulama, uygulama tarafından toplanan işlem verilerini API Ağ Geçidi aracılığıyla bir Lambda işlevine gönderir.
3. Lambda işlevi, işlem sırasında kullanılan cihaz için GrabDefence risk profilini toplar, bu profil verilerini diğer işlem verileriyle birleştirir ve dolandırıcılık dedektörüne gönderir.
4. Dolandırıcılık algılayıcı, özel dolandırıcılık algılama ML modelinizi ve kural kümenizi kullanarak bir dolandırıcılık tahmini gerçekleştirir ve Lambda işlevine bir risk puanı ve sonuç döndürür. Bu sonuç, API Gateway aracılığıyla mobil uygulamanıza geri gönderilir.
5. İstenirse, mobil uygulama bu risk değerlendirmesine göre son kullanıcı deneyimini buna göre ayarlamayı seçebilir.

Amazon Fraud Detector ile cihaz zekası için kullanım senaryoları

İdeal son durum çözümü, geçmiş olaylarınızın veri kümesi ve bunlarla ilişkili geçmiş GD cihaz istihbarat verileri üzerinde eğitilmiş bir Amazon Fraud Detector modelidir. Bunu başarmak için, mobil cihazlar için GD Guardian SDK'yı entegre etmeniz ve ardından, bir modeli eğitmek için yeterli olana kadar (örneğin, en az 10,000 dolandırıcılık olayı örneği içeren 400 olay) olaylarınız için cihaz istihbarat verilerini toplamanız gerekir. Kullanım durumunuza ve dolandırıcılık etiketlerinin mevcudiyetine bağlı olarak, bu çözüm için veri toplarken daha erken başlamak için birkaç yolunuz vardır:

• Kullanım senaryosu A: GD cihaz istihbarat verilerini doğrudan dolandırıcılık algılayıcı kurallarında kullanın – Bu kullanım örneğiyle, cihaz zekası tarafından sağlanan yüksek riskli olayları işaretlemek için tasarlanmış bir kural kümesiyle Amazon Fraud Detector'da bir dedektör oluşturursunuz. Bu, platformunuz için dağıtmak istediğiniz net risk azaltma ilkeleriniz olduğunda etkili bir şekilde çalışır. (örneğin, cihaz jailbreak'liyse kullanıcıya göre hareket edin veya cihazın beşten fazla hesabı varsa bir promosyonun kullanılmasına izin vermeyin) Bu gibi durumlarda, bir kombinasyona dayalı olarak olayları işaretlemek için dedektör kurallarınızı ayarlayabilirsiniz. GD cihaz risk puanı ve GD cihaz kararları. Bu seçenek, başlamak için geçmiş olay verisi veya etiket gerektirmez, bu nedenle ML tabanlı algılama seçeneklerinden daha kısa sürede kullanıma hazır hale gelebilir.
• Kullanım senaryosu B: Dolandırıcılık dedektörü kurallarıyla GD cihaz zekasını ve bir Amazon Fraud Detector ML modelini kullanın – Geçmiş bir olay veri kümeniz varsa ve bir Amazon Fraud Detector ML modelini hemen eğitebiliyorsanız, kural tabanlı dedektörünüze bir Amazon Fraud Detector modeli ekleyerek kullanım senaryosu A'yı oluşturabilirsiniz. Bu şekilde dedektör mantığınız, özelleştirilmiş bir ML modeli ile kurallar ve diğer tüm olay verileriyle cihaz zekasını değerlendiriyor. Bu, sahtekarlığı sahtekarlıktan ayırmak için istatistiksel yöntemlerin gerekli olduğu daha karmaşık sahtekarlık taktiklerini çözmenize olanak tanır.

En iyi sonuçlar genellikle bu senaryoların ikisi birlikte çalıştığında elde edilir, çünkü daha fazla geçmiş veriye sahip olduktan sonra bile zaman içinde farklı kullanım durumları sunabilirler. Amazon Fraud Detector, bu yöntemlerle birkaç adımda ideal çözüme geçişi kolaylaştırır.

Aşağıdaki bölümlerde, Amazon Fraud Detector'ı GD cihaz zekası verileriyle kullanmaya başlama adımlarını inceleyeceğiz.

GD mobil SDK'yı entegre edin ve cihaz zekası verilerini toplamaya başlayın

Uygulamanızda GrabDefence cihaz zekasını kullanmadan önce, öncelikle bir GrabDefence istemcisi olarak kaydolmalısınız. GrabDefence ekibinden aşağıdaki kimlik bilgilerini alırsınız:

• kiracı_kimliği – Kuruluşunuzu temsil eden benzersiz bir müşteri tanımlayıcısı
• uygulama_kimliği – Entegre ettiğiniz uygulamayı temsil eden benzersiz bir uygulama tanımlayıcısı

GrabDefence'a bakın belgeleme Bu SDK'nın nasıl entegre edileceğine ilişkin daha fazla rehberlik için.

Amazon Fraud Detector'da olay türünüzü oluşturun

Bir olay türü, dolandırıcılık açısından değerlendirmek istediğiniz olayın şemasını tanımlar. Amazon Fraud Detector'da bir olay türü oluştururken, benzersiz cihaz kimliği ve çeşitli cihaz kararları gibi GD cihaz istihbaratı risk profili veri öğeleri dahil olmak üzere dolandırıcılık değerlendirmesi sırasında mevcut olacak tüm veri öğelerini Amazon'a tanımlarsınız Dolandırıcılık Dedektörü değişkenleri. Dolandırıcılık açısından değerlendirdiğiniz olay türüne özel olan olay değişkenlerini (IP, e-posta veya fatura adresi gibi) ve ayrıca GD cihaz istihbarat verilerini dahil etmeniz gerekir. Aşağıdaki tabloda olay değişkenleri örnekleri, GD cihaz zekası verileri ve her bir öğenin eşlenmesi için önerilen Amazon Fraud Detector değişken türü gösterilmektedir.

Olay Değişkeni Türü	Olay Değişkeni (Tam Kapsamlı Değil)	Amazon Fraud Detector Olay Değişkeni	Örnek E-posta
Etkinlik Meta Verileri	EVENT_TIMESTAMP	EVENT_TIMESTAMP	2019-11-30T13:01:01Z
	EVENT_ID	EVENT_ID	test0299df10-e2db-11eb-96e2-f7dgje3d3k03
	ENTITY_ID	ENTITY_ID	123
	EVENT_LABEL	EVENT_LABEL	DOLANDIRICILIK veya YASAL
	LABEL_TIMESTAMP	LABEL_TIMESTAMP	2019-11-30T13:01:01Z
Olay Değişkenleri	e-posta	EMAIL_ADDRESS	test@example.com
	IP	IP ADRESİ	192.0.2.1
	Telefon	TELEFON NUMARASI	555-0123
GD Cihaz Zekası Kararları	Karar: IOS Jailbreak Aygıtı	ÖZEL: KATEGORİ	GV_IOS_JAIL_BROKEN
	Karar: Hata Ayıklayıcı Algılandı	ÖZEL: KATEGORİ	GV_DEBUGGER_DETECTED
	Karar: Etkinlik Simgesi İmza Uyuşmazlığı	ÖZEL: KATEGORİ	GV_EVENT_TOKEN_SIGNATURE_MISMATCH
	Karar: Sunucu Mücadelesi Uyuşmazlığı	ÖZEL: KATEGORİ	GV_SERVER_CHALLENGE_MISMATCH
GD Risk Puanları	Kullanıcı hesabı risk puanı	ÖZEL: SAYISAL	0.9 vb.

Amazon Fraud Detector'da algılama mantığınızı oluşturun

Bu noktada, kullanım durumu A ile mi yoksa durum B ile mi başlamak istediğinize karar vermeniz gerekir. Kullanım durumu A için, kurallara dayalı bir dedektör oluşturmaya başlarsınız. Kullanım durumu B için önce bir Amazon Fraud Detector modeli oluşturursunuz ve işiniz bittiğinde modeli dedektörünüze eklersiniz.

Amazon Fraud Detector modeli ve dedektörü oluşturmaya ilişkin talimatlar için bkz. Amazon Fraud Detector kullanım kılavuzu.

Aşağıdaki ekran görüntüsü, Amazon Fraud Detector konsolundaki örnek dedektör kurallarını gösterir.

Amazon Fraud Detector toplu tahminlerini kullanarak dedektörünüzü test edin

Detektörünüzü Amazon Fraud Detector konsolunu veya CreateToplu Öngörüİşi API. Dedektör sürümünü (önceki adımda oluşturulmuş) belirtmeniz ve olayları bir CSV dosyası (50 MB'ye kadar) aracılığıyla sağlamanız gerekir. Amazon Basit Depolama Hizmeti (Amazon S3) kova. Dedektör tahminlerinin eklenen sonuçlarıyla birlikte orijinal girdi verilerini içeren çıktı dosyası aynı S3 klasöründe mevcut olacaktır (farklı bir konum belirtmediğiniz sürece).

Amazon Fraud Detector toplu tahmini çalıştırma hakkında daha fazla bilgi için Amazon Fraud Detector toplu tahminlerine bakın belge sayfası.

Destekleyici altyapıyı kurun

Oluşturduğunuz dedektörü kullanarak gerçek zamanlı tahminler gerçekleştirmek için aşağıdaki eylemleri gerçekleştiren bir Lambda işlevi kurmanız gerekir:

1. Mobil uygulamanızdan toplanan işlem verilerini (API Gateway aracılığıyla) alır. Buna IP adresi, e-posta adresi, gönderim ve fatura bilgileri gibi işleme ve kullanım durumuna özgü veriler dahildir.
2. GD API'sinden risk profilini toplar. Buna cihaz istihbarat verileri ve GD'den gelen risk sinyalleri dahildir. GD kararlarını uygun Amazon Fraud Detector değişkenine dönüştürmeniz gerekir CUSTOM: CATEGORICAL türleri. Örneğin, GD karar listesi şunları içeriyorsa: GV_IOS_JAIL_BROKEN, ayarlamanız gerekir Verdict: IOS Jailbroken Device değişken TRUE Amazon Fraud Detector'a gönderirken (bir sonraki bölümde ayrıntılı olarak açıklandığı gibi).
3. kullanarak verileri dedektöre gönderir. GetEventPrediction API (sonraki bölüme bakın).

Amazon Fraud Detector GetEventPrediction API'sini kullanarak gerçek zamanlı tahminler gerçekleştirin

Lambda işleviniz Amazon Fraud Detector'ı arayabilir GetEventPrediction Gerçek zamanlı tahminler yapmak ve sonuçları senkronize olarak almak için API. bu GetEventPrediction API, daha önce ayarladığınız kurallara göre eşleşen sonuçları döndürür. Amazon Fraud Detector'da dedektörünüze bir model eklediyseniz, model puanı da GetEventPrediction API yanıtı. örneklerini bulabilirsiniz GetEventPrediction istekleri aws-dolandırıcılık-detektörü-örnekleri GitHub deposu.

Bu API'den gelen yanıtı ayrıştırmak ve uygun eylemi mobil uygulamaya (API Ağ Geçidi aracılığıyla) döndürmek için Lambda işlevinizi buna göre yapılandırabilirsiniz.

Modelinizi oluşturun ve eğitin

GD SDK'yı entegre ettikten ve Amazon Fraud Detector ile tahminler oluşturduktan sonra, etkinlikleriniz Amazon Fraud Detector'da depolanır ve GüncellemeEtkinlikEtiketi Onaylanmış dolandırıcılık olayları için dolandırıcılık etiketleri eklemek için API. Depolanan veri kümenizde cihaz verileriyle 10,000 olay ve dolandırıcılık olarak etiketlenmiş en az 400 olay olduğunda, GD'nin cihaz zekası verilerinden öğrenen özel bir Amazon Fraud Detector modeli oluşturmaya başlayabilirsiniz.

Bu noktada, modeli eğitmeye hazırsınız. Bu, Amazon Fraud Detector konsolunda birkaç adım sürer ve model eğitimi genellikle yaklaşık bir saat sürer ancak eğitim veri kümenizin boyutuna bağlı olarak daha uzun olabilir.

1. Amazon Fraud Detector konsolunda, Model oluştur.
2. Klinik İşlem Dolandırıcılığı Öngörüleri model tipi olarak.
3. Daha önce oluşturduğunuz etkinlik türünü seçin.
4. GD cihaz zekası verilerini topladığınız dönemi kapsayan eğitim veri kümeniz için tarih aralığını seçin.
5. GD cihazına özel öğeler de dahil olmak üzere tüm olay türü değişkenlerini modelinizin giriş yapılandırmasına ekleyin.
6. Strat modeli eğitiyor.

Modeliniz eğitildikten sonra performans ölçümlerini gözden geçirebilir ve ardından durumunu Etkin olarak değiştirerek dağıtabilirsiniz. Model puanları ve performans ölçümleri hakkında daha fazla bilgi edinmek için bkz. Model puanları ve Eğitim performansı metrikleri. Bu noktada artık modelinizi dedektörünüze ekleyebilir, eşik kuralları modelin ürettiği risk puanlarını yorumlamak ve GetEventPrediction API.

Çözümü otomatikleştirin

Amazon Fraud Detector olay türünüzün ve ilgili kaynakların oluşturulmasını otomatikleştirmek için AWS CloudFormation'ı kullanabilirsiniz. Daha fazla ayrıntı için bkz. AWS CloudFormation kullanarak kaynakları yönetme.

Sonuç

Tebrikler! GD cihaz zekasını dedektörünüze entegre eden bir Amazon Fraud Detector modelini başarıyla oluşturdunuz. Eğittiğiniz Amazon Fraud Detector ML modeli, kendi geçmiş verileriniz, GD'nin cihaz zekası verileri, Amazon genelinde görülen dolandırıcılık modelleri ve ek üçüncü taraf verileri (Amazon Fraud Detector tarafından otomatik olarak eklenir) dahil olmak üzere birden çok veri kaynağından öğrenmiştir. Çeşitli mobil dolandırıcılık türlerini tespit etmek ve yakalamak için bu çözümü mobil uygulamalarınıza dağıtabilirsiniz.

Abhishek Ravi, Tanay Bhargava, Eric Burris, Puneet Gambhir (GrabDefence), Brian Kim (GrabDefence) ve Sing Kwan Ng (GrabDefence) dahil bu bloga katkıda bulunan herkese özel teşekkürler.

---

Yazar hakkında

Marcel Pividal Dünya Çapında Uzman Kuruluşta Kıdemli Yapay Zeka Hizmetleri Çözümleri Mimarıdır. Marcel, Fintech'ler, Ödeme Sağlayıcıları, İlaç ve devlet kurumları için iş sorunlarını teknoloji yoluyla çözme konusunda 20 yıldan fazla deneyime sahiptir. Şu anki odak alanları Risk Yönetimi, Dolandırıcılık Önleme ve Kimlik Doğrulamadır.

Adrian de Jonge Singapur'da AWS'de İş Ortağı Çözümleri Mimarıdır. ASEAN coğrafyasında AWS GSI ekibinin bir parçasıdır. Adriaan, özellikle sunucusuz, bulutta yerel geliştirme ve DevOps ile ilgileniyor. Boş zamanlarında alerjisi olan kişilere uygun kekler yapmayı sever.

Jianbo Liu Amazon Fraud Detector'a sahip bir Araştırma Bilimcisi.