v prva objava V tej tridelni seriji smo predstavili rešitev, ki prikazuje, kako lahko avtomatizirate odkrivanje poseganja v dokumente in goljufij v velikem obsegu z uporabo storitev AWS AI in strojnega učenja (ML) za primer uporabe hipotekarnega zavarovanja.
v druga objava, smo razpravljali o pristopu za razvoj modela računalniškega vida, ki temelji na globokem učenju, za odkrivanje in poudarjanje ponarejenih slik pri sklepanju hipotekarnih posojil.
V tej objavi predstavljamo rešitev za avtomatizirano odkrivanje goljufij s hipotekarnimi dokumenti z uporabo modela ML in poslovno določenih pravil z Amazonski detektor prevare.
Pregled rešitev
Za avtomatsko odkrivanje goljufivih dejavnosti uporabljamo Amazon Fraud Detector, popolnoma upravljano storitev za odkrivanje goljufij. Amazon Fraud Detector vam s ciljem izboljšati natančnost napovedovanja goljufije s proaktivnim prepoznavanjem dokumentarne goljufije, hkrati pa izboljšuje natančnost sklepanja pogodb, pomaga zgraditi prilagojene modele za odkrivanje goljufij z uporabo zgodovinskega nabora podatkov, konfigurirati prilagojeno logiko odločanja z uporabo vgrajenega mehanizma pravil in orkestrirati odločitev o tveganju. poteke dela s klikom na gumb.
Naslednji diagram predstavlja vsako stopnjo v cevovodu za odkrivanje goljufij s hipotekarnimi dokumenti.
Zdaj bomo obravnavali tretjo komponento cevovoda za odkrivanje goljufij s hipotekarnimi dokumenti. Koraki za namestitev te komponente so naslednji:
- Naloži zgodovinske podatke v Preprosta storitev shranjevanja Amazon (Amazon S3).
- Izberite svoje možnosti in usposobite model.
- Ustvari model.
- Preglejte delovanje modela.
- Uvedite model.
- Ustvarite detektor.
- Dodajte pravila za razlago rezultatov modela.
- Namestite API za napovedi.
Predpogoji
Naslednji koraki so predpogoji za to rešitev:
- Prijavite se za račun AWS.
- Nastavite dovoljenja, ki vašemu računu AWS omogočajo dostop do detektorja goljufij Amazon.
- Zberite zgodovinske podatke o goljufijah, ki jih boste uporabili za usposabljanje modela detektorja goljufij, z naslednjimi zahtevami:
- Podatki morajo biti v formatu CSV in imeti glave.
- Potrebni sta dve glavi:
EVENT_TIMESTAMP
inEVENT_LABEL
. - Podatki morajo biti v Amazon S3 v regiji AWS, ki jo podpira storitev.
- Zelo priporočljivo je, da pred vadbo zaženete podatkovni profil (uporabite an avtomatiziran profiler podatkov za Amazon Fraud Detector).
- Priporočljivo je, da uporabite podatke za vsaj 3–6 mesecev.
- Potreben je čas, da prevara dozori; priporočljivi so podatki, stari 1–3 mesece (ne premladi).
- Nekatere vrednosti NULL in manjkajoče vrednosti so sprejemljive (vendar jih je preveč in spremenljivka je prezrta, kot je opisano v Manjka ali je napačen tip spremenljivke).
Prenesite zgodovinske podatke v Amazon S3
Ko imate datoteke z zgodovinskimi podatki po meri za usposabljanje modela detektorja goljufij, ustvarite vedro S3 in naložite podatke v vedro.
Izberite možnosti in usposobite model
Naslednji korak k izdelavi in usposabljanju modela detektorja goljufij je opredelitev poslovne dejavnosti (dogodka), ki jo je treba oceniti za goljufijo. Definiranje dogodka vključuje nastavitev spremenljivk v vašem naboru podatkov, entitete, ki sproži dogodek, in oznak, ki razvrščajo dogodek.
Dokončajte naslednje korake za definiranje dogodka docfraud za odkrivanje dokumentarne goljufije, ki jo sproži hipoteka vlagatelja subjekta, ki se nanaša na novo vlogo za hipoteko:
- Na konzoli Amazon Fraud Detector izberite Dogodki v podoknu za krmarjenje.
- Izberite ustvarjanje.
- Pod Podrobnosti o vrsti dogodka, vnesite
docfraud
kot ime vrste dogodka in po želji vnesite opis dogodka. - Izberite Ustvari entiteto.
- o Ustvari entiteto stran, vnesite
applicant_mortgage
kot ime vrste entitete in po želji vnesite opis vrste entitete. - Izberite Ustvari entiteto.
- Pod Spremenljivke dogodkovZa Izberite, kako določite spremenljivke tega dogodka, izberite Izberite spremenljivke iz nabora podatkov o vadbi.
- za Vloga IAM, izberite Ustvari vlogo IAM.
- o Ustvari vlogo IAM stran, vnesite ime vedra S3 s svojimi vzorčnimi podatki in izberite Ustvari vlogo.
- za Lokacija podatkov, vnesite pot do svojih zgodovinskih podatkov. To je pot S3 URI, ki ste jo shranili po nalaganju zgodovinskih podatkov. Pot je podobna
S3://your-bucket-name/example dataset filename.csv
. - Izberite Pošiljanje.
Spremenljivke predstavljajo podatkovne elemente, ki jih želite uporabiti v napovedi goljufije. Te spremenljivke lahko vzamete iz nabora podatkov o dogodkih, ki ste ga pripravili za usposabljanje svojega modela, iz rezultatov ocene tveganja modela Amazon Fraud Detector ali iz Amazon SageMaker modeli. Za več informacij o spremenljivkah, vzetih iz nabora podatkov o dogodkih, glejte Pridobite zahteve za nabor podatkov o dogodkih z uporabo raziskovalca podatkovnih modelov.
- Pod Oznake – neobveznoZa Oznake, izberite Ustvari nove oznake.
- o Ustvari oznako stran, vnesite
fraud
kot ime. Ta oznaka ustreza vrednosti, ki predstavlja goljufivo vlogo za hipoteko v vzorčnem nizu podatkov. - Izberite Ustvari oznako.
- Ustvarite drugo oznako, imenovano
legit
. Ta oznaka ustreza vrednosti, ki predstavlja zakonito vlogo za hipoteko v vzorčnem nizu podatkov. - Izberite Ustvari vrsto dogodka.
Naslednji posnetek zaslona prikazuje podrobnosti o vrsti dogodka.
Naslednji posnetek zaslona prikazuje naše spremenljivke.
Naslednji posnetek zaslona prikazuje naše oznake.
Ustvarite model
Ko naložite zgodovinske podatke in izberete zahtevane možnosti za usposabljanje modela, dokončajte naslednje korake za ustvarjanje modela:
- Na konzoli Amazon Fraud Detector izberite Modeli v podoknu za krmarjenje.
- Izberite Dodajte model, nato pa izberite Ustvari model.
- o Določite podrobnosti modela stran, vnesite
mortgage_fraud_detection_model
kot ime modela in izbirni opis modela. - za Vrsta modela, izberite Vpogled v spletne goljufije model.
- za Vrsta dogodka, izberite
docfraud
. To je vrsta dogodka, ki ste jo ustvarili prej. - v Podatki o zgodovinskih dogodkih navedite naslednje informacije:
- za Vir podatkov o dogodku, izberite Podatki o dogodkih, shranjeni naloženi v S3 (ali AFD).
- za Vloga IAM, izberite vlogo, ki ste jo ustvarili prej.
- za Lokacija podatkov o usposabljanju, vnesite pot S3 URI do vzorčne podatkovne datoteke.
- Izberite Naslednji.
- v Vhodi modelov pustite vsa potrditvena polja potrjena. Amazon Fraud Detector privzeto uporablja vse spremenljivke iz nabora podatkov o preteklih dogodkih kot vnose modela.
- v Razvrstitev oznak odsek, za Oznake za prevare, izberite
fraud
, kar ustreza vrednosti, ki predstavlja goljufive dogodke v vzorčnem nizu podatkov. - za Zakonite oznake, izberite
legit
, ki ustreza vrednosti, ki predstavlja zakonite dogodke v vzorčnem naboru podatkov. - za Neoznačeni dogodki, obdržite privzeto izbiro Ignoriraj neoznačene dogodke za ta primer nabora podatkov.
- Izberite Naslednji.
- Preglejte svoje nastavitve in nato izberite Ustvari in uri model.
Amazon Fraud Detector ustvari model in začne usposabljati novo različico modela.
o Modelske različice stran, Status stolpec označuje status usposabljanja modela. Usposabljanje modela, ki uporablja vzorčni nabor podatkov, traja približno 45 minut. Stanje se spremeni v Pripravljen za uporabo po končanem usposabljanju modela.
Preglejte delovanje modela
Ko je usposabljanje modela končano, Amazon Fraud Detector potrdi delovanje modela z uporabo 15 % vaših podatkov, ki niso bili uporabljeni za usposabljanje modela, in nudi različna orodja, vključno z diagramom porazdelitve rezultatov in matriko zmede, za oceno delovanja modela.
Če si želite ogledati zmogljivost modela, izvedite naslednje korake:
- Na konzoli Amazon Fraud Detector izberite Modeli v podoknu za krmarjenje.
- Izberite model, ki ste ga pravkar trenirali (
sample_fraud_detection_model
), nato izberite 1.0. To je različica Amazon Fraud Detector, ustvarjena na podlagi vašega modela. - Preglejte Delovanje modela skupni rezultat in vse druge meritve, ki jih je za ta model ustvaril Amazon Fraud Detector.
Namestite model
Ko ste pregledali meritve uspešnosti svojega usposobljenega modela in ste pripravljeni, da ga uporabite za ustvarjanje napovedi goljufije, lahko uvedete model:
- Na konzoli Amazon Fraud Detector izberite Modeli v podoknu za krmarjenje.
- Izberite model
sample_fraud_detection_model
in nato izberite specifično različico modela, ki jo želite uvesti. Za to objavo izberite 1.0. - o Model različica strani na Proces izberite meni Uvedite različico modela.
o Modelske različice stran, Status prikazuje status uvajanja. Stanje se spremeni v Aktivno ko je namestitev končana. To pomeni, da je različica modela aktivirana in na voljo za ustvarjanje napovedi goljufij.
Ustvarite detektor
Ko namestite model, sestavite detektor za docfraud
vrsto dogodka in dodajte razporejeni model. Izvedite naslednje korake:
- Na konzoli Amazon Fraud Detector izberite Detektorji v podoknu za krmarjenje.
- Izberite Ustvari detektor.
- o Določite podrobnosti detektorja stran, vnesite
fraud_detector
za ime detektorja in po želji vnesite opis detektorja, na primer moj vzorčni detektor goljufij. - za Vrsta dogodka, izberite
docfraud
. To je dogodek, ki ste ga ustvarili prej. - Izberite Naslednji.
Dodajte pravila za razlago
Ko ustvarite model Amazon Fraud Detector, lahko uporabite konzolo Amazon Fraud Detector ali aplikacijski programski vmesnik (API) za definiranje poslovno usmerjenih pravil (pogoji, ki povedo Amazon Fraud Detectorju, kako naj razlaga oceno uspešnosti modela pri ocenjevanju napovedi goljufij). . Za uskladitev s postopkom sklepanja hipotekarnih kreditov lahko ustvarite pravila za označevanje hipotekarnih zahtevkov glede na povezane ravni tveganja in označene kot goljufija, zakonita ali če je potreben pregled.
Na primer, morda boste želeli samodejno zavrniti hipotekarne vloge z visokim tveganjem goljufije, pri čemer upoštevate parametre, kot so spremenjene slike zahtevanih dokumentov, manjkajoči dokumenti, kot so plačilne liste ali zahteve glede dohodka itd. Po drugi strani pa nekatere aplikacije morda potrebujejo človeka v zanki za sprejemanje učinkovitih odločitev.
Amazon Fraud Detector uporablja agregirano vrednost (izračunano s kombiniranjem nabora neobdelanih spremenljivk) in neobdelano vrednost (vrednost, podana za spremenljivko), da ustvari rezultate modela. Ocene modela so lahko med 0–1000, pri čemer 0 pomeni nizko tveganje goljufije, 1000 pa visoko tveganje goljufije.
Če želite dodati ustrezna poslovno usmerjena pravila, izvedite naslednje korake:
- Na konzoli Amazon Fraud Detector izberite Pravila v podoknu za krmarjenje.
- Izberite Dodaj pravilo.
- v Določite pravilo razdelku vnesite fraud za ime pravila in po želji vnesite opis.
- za izražanje, vnesite izraz pravila s poenostavljenim jezikom izrazov pravil Amazon Fraud Detector
$docdraud_insightscore >= 900
- za Rezultati, izberite Ustvarite nov rezultat (Izid je rezultat napovedi goljufije in je vrnjen, če se pravilo med vrednotenjem ujema.)
- v Ustvarite nov rezultat razdelku vnesite zavrnitev kot ime rezultata in izbirni opis.
- Izberite Shrani rezultat
- Izberite Dodaj pravilo za zagon programa za preverjanje veljavnosti pravil in shranjevanje pravila.
- Ko je ustvarjen, Amazon Fraud Detector naredi naslednje
high_risk
pravilo, ki je na voljo za uporabo v vašem detektorju.- Ime pravila:
fraud
- Izid:
decline
- Izraz:
$docdraud_insightscore >= 900
- Ime pravila:
- Izberite Dodajte drugo praviloin nato izberite Ustvari pravilo zavihek za dodajanje dodatnih 2 pravil, kot je prikazano spodaj:
- Ustvarite
low_risk
pravilo z naslednjimi podrobnostmi:- Ime pravila:
legit
- Izid:
approve
- Izraz:
$docdraud_insightscore <= 500
- Ime pravila:
- Ustvarite
medium_risk
pravilo z naslednjimi podrobnostmi:- Ime pravila:
review needed
- Izid:
review
- Izraz:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- Ime pravila:
Te vrednosti so primeri, uporabljeni za to objavo. Ko ustvarite pravila za lasten detektor, uporabite vrednosti, ki so primerne za vaš model in primer uporabe.
- Ko ustvarite vsa tri pravila, izberite Naslednji.
Namestite API za napovedi
Ko so sprožena dejanja, ki temeljijo na pravilih, lahko uvedete API Amazon Fraud Detector za ovrednotenje aplikacij za posojanje in predvidevanje morebitnih goljufij. Napovedi se lahko izvedejo v paketu ali v realnem času.
Integrirajte svoj model SageMaker (izbirno)
Če že imate model za odkrivanje goljufij v SageMakerju, ga lahko integrirate z Amazon Fraud Detector za želene rezultate.
To pomeni, da lahko v svoji aplikaciji uporabite modela SageMaker in Amazon Fraud Detector za odkrivanje različnih vrst goljufij. Vaša aplikacija lahko na primer uporablja model Amazon Fraud Detector za oceno tveganja goljufije računov strank in hkrati uporablja vaš model PageMaker za preverjanje tveganja zlorabe računa.
Čiščenje
Da se izognete morebitnim prihodnjim stroškom, izbrišite vire, ustvarjene za rešitev, vključno z naslednjim:
- Vedro S3
- Končna točka Amazon Fraud Detector
zaključek
Ta objava vas je vodila skozi avtomatizirano in prilagojeno rešitev za odkrivanje goljufij v postopku sklepanja hipotekarnih kreditov. Ta rešitev vam omogoča odkrivanje poskusov goljufije bližje času nastanka goljufije in pomaga zavarovalcem pri učinkovitem postopku odločanja. Poleg tega vam prilagodljivost implementacije omogoča definiranje poslovno usmerjenih pravil za razvrščanje in zajemanje poskusov goljufij, prilagojenih posebnim poslovnim potrebam.
Za več informacij o izdelavi rešitve za odkrivanje goljufij s hipotekarnimi dokumenti od konca do konca glejte Del 1 in Del 2 v tej seriji.
O avtorjih
Anup Ravindranath je višji arhitekt rešitev pri Amazon Web Services (AWS) s sedežem v Torontu v Kanadi in sodeluje z organizacijami za finančne storitve. Strankam pomaga preoblikovati svoja podjetja in uvesti inovacije v oblaku.
Vinnie Saini je višji arhitekt rešitev pri Amazon Web Services (AWS) s sedežem v Torontu v Kanadi. Pomaga strankam finančnih storitev pri preobrazbi v oblaku z rešitvami, ki jih poganja AI in ML, položenimi na trdnih temeljnih stebrih arhitekturne odličnosti.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: 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/
- :ima
- : je
- :ne
- :kje
- $GOR
- 100
- 15%
- 2%
- 302
- 45
- 900
- a
- O meni
- sprejemljiv
- dostop
- Po
- Račun
- računi
- dejavnosti
- aktivira
- dejavnosti
- dejavnost
- dodajte
- Dodatne
- Poleg tega
- po
- AI
- uskladiti
- vsi
- omogoča
- že
- Amazon
- Amazonski detektor prevare
- Amazon Web Services
- Amazonske spletne storitve (AWS)
- an
- in
- Še ena
- kaj
- API
- uporaba
- aplikacije
- pristop
- primerno
- približno
- architectural
- Arhitektura
- SE
- AS
- oceniti
- povezan
- At
- Poskusi
- avtomatizirati
- Avtomatizirano
- samodejno
- Na voljo
- izogniti
- AWS
- temeljijo
- BE
- bilo
- pred
- se začne
- spodaj
- med
- tako
- izgradnjo
- Building
- vgrajeno
- poslovni
- podjetja
- vendar
- Gumb
- by
- izračuna
- se imenuje
- CAN
- Kanada
- zajemanje
- primeru
- nekatere
- Spremembe
- Stroški
- Graf
- preveriti
- preverjeno
- Izberite
- Razvrstitev
- Razvrsti
- klik
- bližje
- Cloud
- Stolpec
- združevanje
- dokončanje
- komponenta
- Kompromis
- računalnik
- Računalniška vizija
- idejni
- Pogoji
- zmeda
- upoštevamo
- Konzole
- ustreza
- kritje
- ustvarjajo
- ustvaril
- ustvari
- po meri
- stranka
- Stranke, ki so
- meri
- datum
- Odločitev
- Odločanje
- odločitve
- Zavrni
- globoko
- privzeto
- opredeliti
- definiranje
- odstrani
- dokazuje,
- razporedi
- razporejeni
- uvajanje
- opis
- Podrobnosti
- odkrivanje
- zaznavanje
- Odkrivanje
- Razvoj
- diagram
- drugačen
- razpravljali
- distribucija
- dokument
- Dokumenti
- vozi
- med
- vsak
- prej
- Učinkovito
- elementi
- konec koncev
- Motor
- Vnesite
- entiteta
- Eter (ETH)
- oceniti
- ocenjevanje
- Ocena
- Event
- dogodki
- Primer
- Primeri
- Odličnost
- izraz
- file
- datoteke
- finančna
- finančne storitve
- prilagodljivost
- po
- sledi
- za
- kovani
- format
- temeljno
- goljufija
- odkrivanje goljufij
- Tveganje prevare
- goljufiva
- iz
- v celoti
- Prihodnost
- ustvarjajo
- ustvarila
- strani
- Imajo
- he
- Glave
- pomoč
- Pomaga
- visoka
- Označite
- zelo
- zgodovinski
- Kako
- Kako
- http
- HTTPS
- človeškega
- človeško v zanki
- IAM
- identifikacijo
- if
- slike
- Izvajanje
- pomeni
- izboljšanje
- izboljšanju
- in
- Vključno
- prihodki
- nepravilna
- označuje
- Podatki
- začeti
- začetku
- inovacije
- vhodi
- integrirati
- vmesnik
- vključuje
- IT
- jpg
- samo
- Imejte
- label
- Oznake
- grda
- jezik
- učenje
- vsaj
- pustite
- legitimno
- posojanje
- ravni
- kot
- Logika
- nizka
- stroj
- strojno učenje
- Znamka
- IZDELA
- Izdelava
- upravlja
- več
- tekme
- Matrix
- zrel
- Maj ..
- Meritve
- min
- manjka
- ML
- Model
- modeli
- mesecev
- več
- Hipotekarni
- morajo
- my
- Ime
- ostalo
- Nimate
- potrebna
- potrebe
- Novo
- Naslednja
- zdaj
- Cilj
- pojav
- of
- Staro
- on
- možnosti
- or
- organizacije
- Ostalo
- naši
- Rezultat
- izhodi
- Splošni
- lastne
- Stran
- podokno
- parametri
- del
- pot
- performance
- opravljeno
- Dovoljenja
- stebri
- plinovod
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Prispevek
- potencial
- napovedati
- napoved
- Napovedi
- prednostno
- pripravljeni
- predpogoj
- predstaviti
- predstavljeni
- Postopek
- profil
- Programiranje
- zagotavljajo
- če
- zagotavlja
- Surovi
- pripravljen
- pravo
- v realnem času
- nedavno
- priporočeno
- glejte
- sklicevanje
- okolica
- predstavljajo
- predstavlja
- obvezna
- Zahteve
- viri
- tisti,
- povzroči
- Rezultati
- pregleda
- Pregledal
- Tveganje
- vloga
- Pravilo
- pravila
- Run
- sagemaker
- Vzorec
- Shrani
- shranjena
- Lestvica
- rezultat
- rezultati
- drugi
- Oddelek
- glej
- izbran
- izbor
- višji
- Serija
- Storitev
- Storitve
- nastavite
- nastavitev
- nastavitve
- je
- Razstave
- Podoben
- Enostavno
- hkrati
- So
- Rešitev
- rešitve
- specifična
- Stage
- Status
- Korak
- Koraki
- shranjevanje
- shranjeni
- močna
- taka
- Podprti
- sprejeti
- meni
- povej
- da
- O
- njihove
- POTEM
- te
- tretja
- ta
- 3
- skozi
- čas
- do
- tudi
- orodja
- toronto
- proti
- Vlak
- usposobljeni
- usposabljanje
- Transform
- sprožilo
- tip
- Vrste
- sklepanje zavarovanj
- naložili
- Prenos
- URI
- uporaba
- primeru uporabe
- Rabljeni
- uporablja
- uporabo
- potrjevanje
- vrednost
- Vrednote
- spremenljivka
- spremenljivke
- različnih
- različica
- različice
- Poglej
- Vizija
- hodil
- želeli
- je
- we
- web
- spletne storitve
- kdaj
- ki
- medtem
- bo
- z
- delovnih tokov
- deluje
- jo
- Vaša rutina za
- zefirnet