利点

Amazon Fraud Detector には以下の利点があります。これらの利点により、不正管理システムの構築と維持に従来必要な時間とリソースを費やすことなく、不正を迅速に検出できます。

不正モデルの自動作成

Amazon Fraud Detector の不正検出モデルは、特定のビジネスニーズに合わせてカスタマイズされた完全に自動化された機械学習モデルです。Amazon Fraud Detector モデルを使用すると、新しいアカウントの作成、オンライン支払い、ゲストチェックアウトなどのオンライントランザクションで潜在的な不正を特定できます。

不正モデルは自動化されたプロセスによって作成されるため、モデルの作成とトレーニングに関連する多くのステップは省略できます。これらのステップには、データの検証とエンリッチメント、特徴量エンジニアリング、アルゴリズムの選択、ハイパーパラメータの調整、モデルのデプロイが含まれます。

Amazon Fraud Detector を使用して不正検出モデルを作成するには、会社の過去の不正データセットをアップロードし、モデルタイプのみを選択します。次に、Amazon Fraud Detector はユースケースに最適な不正検出アルゴリズムを自動的に検出し、モデルを作成します。不正検出モデルを作成するために、コーディングを知っている必要や機械学習の専門知識を持っている必要はありません。

進化して学習する不正モデル

不正検出モデルは、変化する不正の状況に対応するために絶えず進化する必要があります。Amazon Fraud Detector は、アカウント経過時間、前回のアクティビティからの時間、アクティビティ数などの情報を計算することで、これを自動的に行います。その結果、頻繁に取引を行う信頼された顧客と、不正行為者に典型的な試みが続くことの違いをモデルが学習します。これにより、再トレーニングセッション間でモデルのパフォーマンスをより長く維持できます。

不正モデルのパフォーマンスの視覚化

指定したデータを使用してモデルがトレーニングされると、Amazon Fraud Detector はモデルのパフォーマンスを検証します。また、パフォーマンスを評価するためのビジュアルツールも提供します。トレーニングするモデルごとに、モデルのパフォーマンススコア、スコア分布グラフ、混同行列、しきい値テーブル、およびモデルのパフォーマンスへの影響によってランク付けされたすべての入力を確認できます。これらのパフォーマンスツールを使用して、モデルのパフォーマンスと、モデルのパフォーマンスを高めている入力を確認できます。必要に応じて、モデルを微調整して全体的なパフォーマンスを向上させることができます。

不正予測

Amazon Fraud Detector は、組織のビジネス活動の不正予測を生成します。不正予測は、不正リスクのビジネスアクティビティの評価です。Amazon Fraud Detector は、アクティビティに関連付けられたデータを含む予測ロジックを使用して予測を生成します。このデータは、不正検出モデルの作成時に指定しました。1 つのアクティビティの不正予測をリアルタイムで取得したり、一連のアクティビティの不正予測をオフラインにしたりできます。

不正予測の説明の視覚化

Amazon Fraud Detector は、不正予測プロセスの一環として予測の説明を生成します。予測の説明は、モデルのトレーニングに使用された各データ要素がモデルの不正予測スコアにどのように影響したかについてのインサイトを提供します。予測の説明は、テーブルやグラフなどのビジュアルツールを使用して提供されます。これらのツールを使用して、各データ要素が予測スコアにどの程度影響しているかを視覚的に識別できます。次に、この情報を使用して、データセット全体の不正パターンを分析し、バイアスがあれば検出できます。最後に、予測の説明を使用して、手動の不正調査プロセス中にトップリスク指標を特定することもできます。これにより、誤検出予測につながる根本原因を絞り込むことができます。

ルールベースのアクション

不正検出モデルのトレーニングが完了したら、ルールを追加して、評価されたデータに対してデータの承認、レビューのためのデータの送信、データの収集などのアクションを実行できます。ルールは、不正予測中にデータを解釈する方法を Amazon Fraud Detector に指示する条件です。例えば、疑わしい顧客アカウントのレビュー対象にフラグを付けるルールを作成できます。検出されたモデルスコアが事前に決定されたしきい値よりも大きく、アカウント支払いの認可コード (AUTH_CODE) が有効でない場合に、このルールを開始するように設定できます。