Acelerador de detección de fraude con AWS SageMaker

Visión general de soluciones

Las instituciones financieras enfrentan riesgos crecientes de los cibercriminales, incluyendo hackeos de alto perfil y transacciones fraudulentas. Los incidentes cibernéticos socavan la confianza del cliente y pueden resultar en pérdidas financieras significativas para las empresas. Las empresas luchan por implementar sistemas seguros, debido a las limitaciones de los sistemas de fraude heredados, que incluyen:

• Visibilidad de datos incompleta: falta de acceso a fuentes de datos relevantes para la detección de patrones.

• Latencia en los sistemas antifraude: Falta de capacidades de procesamiento en tiempo real que provoca retrasos en la detección del fraude.

• Protocolos de seguridad débiles: Seguridad obsoleta que expone vulnerabilidades a ataques cibernéticos.

• Expansión técnica: tecnologías diversas que complican el mantenimiento y las actualizaciones.

• Mala colaboración en equipo: enfoques aislados que dan lugar a respuestas tardías.

Para superar estos desafíos, las empresas financieras pueden utilizar soluciones de análisis en tiempo real basadas en MongoDB Atlas y Amazon SageMaker Canvas. Estas herramientas ofrecen sólidos sistemas de detección de fraude que utilizan los datos más precisos disponibles para sus operaciones.

En este sistema, MongoDB Atlas almacena los datos operativos y procesa transacciones de gran volumen. Por su parte, Amazon SageMaker Canvas utiliza sofisticadas herramientas de IA y aprendizaje automático (ML) para impulsar análisis avanzados y detectar fraudes.

Arquitecturas de Referencia

A continuación se muestra la arquitectura utilizada para construir esta solución de detección de fraude. Esta arquitectura incluye una solución integral para detectar diferentes tipos de fraude en el sector bancario, incluyendo fraude con tarjetas, robo de identidad y fraude al consumidor.

El diagrama de arquitectura ilustra el entrenamiento del modelo y la inferencia casi en tiempo real. Los datos operativos almacenados en MongoDB Atlas se escriben en el bucket de Amazon S3 mediante disparadores de MongoDB Atlas. Una vez almacenados, los datos se utilizan para crear y entrenar el modelo en Amazon SageMaker Canvas. SageMaker Canvas almacena los metadatos del modelo en... S3 almacena y expone el punto final del modelo para inferencia.

haga clic para ampliar

Figura 1. Arquitectura de detección de fraude

Enfoque del modelo de datos

Los datos se dividen en dos archivos separados:

• Transacción

• Identidad

Estos archivos están conectados a través de TransactionIDSin embargo, no todas las transacciones incluyen detalles de identidad asociados.

Con base en los dos conjuntos de datos anteriores, prepare una unión de prueba en TransactionID y agregue la columna de destino como Fraude.

Datos cortesía de Kaggle.

Source Table1: Transaction
TransactionID,
TransactionDT,
Card_no,
Card_type,
Email_domain,
ProductCD,
TransactionAmt,
Transaction_ID
Source Table2: Identity
TransactionID,
IpAddress,
PhoneNo,
DeviceID,
Location,
Name,
Address
Test Data:
TransactionID,
Card_no,
card_type,
Email_domain,
IpAddress,
PhoneNo,
DeviceID,
ProductCD,
TransactionAmt,
isFraud

Construir la solución

La guía detallada paso a paso para crear esta solución está disponible en este repositorio de Github. A continuación, se muestra un resumen de los pasos realizados:

1. Configure el bucket S3 al que deben exportarse los datos de MongoDB Atlas.

2. Configura un clúster de MongoDB Atlas.

3. Configurar activadores y funciones de MongoDB Atlas.

4. Configurar el dominio de Amazon SageMaker.

Aprendizajes clave

• Desarrollar soluciones de detección de fraude en tiempo real: MongoDB Atlas maneja grandes cantidades de datos en un esquema flexible que permite a las instituciones financieras capturar, almacenar y procesar datos transaccionales de gran volumen en tiempo real.

• Actualización de los modelos de detección de fraude: El procesamiento en tiempo real con la canalización de agregación de MongoDB garantiza que los modelos se entrenen continuamente con la información más actualizada y relevante disponible. Esta capacidad proporciona a las instituciones financieras una herramienta potente para crear un sistema robusto de detección de fraude.

• Integración de herramientas sofisticadas de IA y ML: MongoDB se integra con servicios externos, como Amazon SageMaker, que ofrece soluciones de IA y ML en una plataforma sin código. Esta interfaz intuitiva facilita el acceso de los analistas a los modelos, lo que les permite generar fácilmente predicciones precisas de ML para clasificación, regresión, pronóstico, procesamiento del lenguaje natural (PLN) y visión artificial (VC).

Autores

• Babu Srinivasan, arquitecto de soluciones para socios de MongoDB

• Igor Alekseev, Partner Solutions Architect en AWS

Obtén más información

• MongoDB y Hasura para servicios fintech modernos

• Acelerador de soluciones de modernización de pagos

• Acelerador de soluciones contra el fraude con tarjetas en tiempo real