이점

Amazon Fraud Detector는 다음과 같은 이점을 제공합니다. 이러한 이점을 통해 사기 관리 시스템을 구축하고 유지 관리하는 데 전통적으로 필요한 시간과 리소스를 투자할 필요 없이 사기를 빠르게 감지할 수 있습니다.

자동 사기 모델 생성

Amazon Fraud Detector의 사기 탐지 모델은 특정 비즈니스 요구 사항에 맞게 사용자 지정된 완전 자동화된 기계 학습 모델입니다. Amazon Fraud Detector 모델을 사용하여 새 계정 생성, 온라인 결제, 게스트 체크아웃과 같은 온라인 트랜잭션에서 잠재적 사기를 식별할 수 있습니다.

사기 모델은 자동화된 프로세스를 통해 생성되므로 모델 생성 및 훈련과 관련된 많은 단계를 잊어버릴 수 있습니다. 이러한 단계에는 데이터 검증 및 보강, 기능 엔지니어링, 알고리즘 선택, 하이퍼파라미터 튜닝 및 모델 배포가 포함됩니다.

Amazon Fraud Detector를 사용하여 사기 탐지 모델을 생성하려면 회사의 과거 사기 데이터 세트만 업로드하고 모델 유형을 선택합니다. 그런 다음 Amazon Fraud Detector는 사용 사례에 가장 적합한 사기 탐지 알고리즘을 자동으로 찾아 모델을 생성합니다. 사기 탐지 모델을 생성하기 위해 코딩을 알고 있거나 기계 학습 전문 지식이 있어야 할 필요는 없습니다.

진화하고 학습하는 사기 모델

사기 탐지 모델은 변화하는 사기 상황을 따라잡기 위해 지속적으로 진화해야 합니다. Amazon Fraud Detector는 계정 연령, 마지막 활동 이후 경과 시간 및 활동 수를 포함한 정보를 계산하여 이를 자동으로 수행합니다. 그 결과 모델은 거래를 자주 하는 신뢰할 수 있는 고객과 사기범의 일반적인 지속적인 시도 간의 차이를 학습합니다. 이렇게 하면 재훈련 세션 간에 모델의 성능을 더 오래 유지할 수 있습니다.

사기 모델 성능 시각화

제공한 데이터를 사용하여 모델을 훈련한 후 Amazon Fraud Detector는 모델 성능을 검증합니다. 또한 성능을 평가할 수 있는 시각적 도구도 제공합니다. 훈련하는 각 모델에 대해 모델 성능 점수, 점수 분포 그래프, 혼동 행렬, 임계값 테이블 및 모델 성능에 미치는 영향에 따라 순위를 매긴 모든 입력을 볼 수 있습니다. 이러한 성능 도구를 사용하여 모델이 어떻게 수행되고 있는지, 어떤 입력이 모델 성능을 좌우하는지 알아볼 수 있습니다. 필요한 경우 모델을 조정하여 전체 성능을 개선할 수 있습니다.

사기 예측

Amazon Fraud Detector는 조직의 비즈니스 활동에 대한 사기 예측을 생성합니다. 사기 예측은 사기 위험에 대한 비즈니스 활동의 평가입니다. Amazon Fraud Detector는 활동과 연결된 데이터와 함께 예측 로직을 사용하여 예측을 생성합니다. 사기 탐지 모델을 생성할 때이 데이터를 제공했습니다. 단일 활동에 대한 사기 예측을 실시간으로 가져오거나 일련의 활동에 대한 사기 예측을 오프라인으로 가져올 수 있습니다.

사기 예측 설명 시각화

Amazon Fraud Detector는 사기 예측 프로세스의 일부로 예측 설명을 생성합니다. 예측 설명은 모델을 훈련하는 데 사용되는 각 데이터 요소가 모델의 사기 예측 점수에 어떤 영향을 미쳤는지에 대한 통찰력을 제공합니다. 예측 설명은 테이블 및 그래프와 같은 시각적 도구를 사용하여 제공됩니다. 이러한 도구를 사용하여 각 데이터 요소가 예측 점수에 미치는 영향을 시각적으로 식별할 수 있습니다. 그런 다음이 정보를 사용하여 데이터 세트 전반의 사기 패턴을 분석하고 편향이 있는 경우 이를 감지할 수 있습니다. 마지막으로 예측 설명을 사용하여 수동 사기 조사 프로세스 중에 주요 위험 지표를 식별할 수도 있습니다. 이렇게 하면 거짓 긍정 예측으로 이어지는 근본 원인을 좁힐 수 있습니다.

규칙 기반 작업

사기 탐지 모델을 훈련한 후 규칙을 추가하여 데이터 수락, 검토를 위한 데이터 전송 또는 더 많은 데이터 수집과 같이 평가된 데이터에 대한 조치를 취할 수 있습니다. 규칙은 사기 예측 중에 데이터를 해석하는 방법을 Amazon Fraud Detector에 알려주는 조건입니다. 예를 들어, 검토할 의심스러운 고객 계정에 플래그를 지정하는 규칙을 생성할 수 있습니다. 감지된 모델 점수가 미리 결정된 임계값보다 크고 계정 결제의 권한 부여 코드(AUTH_CODE)가 유효하지 않은 경우이 규칙을 시작하도록 설정할 수 있습니다.